摘要： 势函数法 假设要划分属于两种类别$\omega_1,\omega_2$的模式样本，这些样本可以看做是分布在$n$维模式空间中的点$x_k$，把属于$\omega_1$的点比拟为某种能源点，在点上，电位达到峰值，随着与该点距离的增大，电位分布迅速减小，即把样本$x_k$附近空间$x$点上的电位分布看做 阅读全文

摘要： 感知器算法 一旦判别函数的形式确定下来，不管它是线性的还是非线性的，剩下的问题就是如何确定它的系数，在模式识别中系数确定的一个主要方法就是通过对已知样本的训练和学习来得到，感知器算法就是通过训练样本模式的迭代和学习，产生线性或广义线性可分的模式判别函数，这个算法不需要对各类别中模式的统计性质做任何假 阅读全文

摘要： 彩色基础 用来描述彩色光源质量的3个基本量是辐射、光强和亮度，辐射是从光源流出的能量的总量，通常用瓦特度量，光强用流明来度量，给出了观察者从光源感知的能量总和的度量，例如远红外范围的光源发出的光，可能有很大的辐射，但是观察者很难感知到，所以光强几乎为0，最后亮度是一个主观描绘子，实际上是不可度量的。 阅读全文

摘要： 估计退化函数 图像观察估计 首先观察图像的一个小矩形区域，之后处理子图像得到想要的结果，得到一个子图像的原图像估计之后通过下式： $$ H_s(u,v) = \frac{G_s(u,v)}{\hat{F}_s(u,v)} $$ 即可计算退化函数，之后基于位置不变的假设还原出完整的退化函数 试验估计 阅读全文

摘要： 首先叙述EM算法，然后讨论EM算法的收敛性，作为EM算法的应用，介绍高斯混合模型的学习，最后介绍EM算法的推广-GEM算法 EM算法的引入 目的：概率模型有时候既含有观测变量，也含有隐变量，EM算法就是含有隐变量的概率模型参数的极大似然估计法或极大后验概率估计法 EM算法 输入：观测变量数据$Y$， 阅读全文

摘要： 首先介绍提升算法的思路和代表性的提升算法AdaBoost，然后分析AdaBoost为什么可以提高学习精度，从前向分步加法模型的角度解释AdaBoost，最后介绍提升方法更具体的实力，提升树boosting tree 提升方法AdaBoost算法 提升方法的基本思路 三个臭皮匠顶个诸葛亮，在概率近似正 阅读全文

摘要： 首先介绍图像退化、复原的一个线性模型，之后介绍噪声模型，接下来包含空间域滤波降噪和频率域降噪，介绍图像退化的线性和位置不变模型、估计退化函数的方法和基本的图像复原方法。 图像退化/复原过程的模型 目的：给定$f(x,y)$为输入图像，退化后的图像为$g(x,y)$，退化函数为$H$，加性噪声项为$\ 阅读全文

摘要： 打开图片 打开一张图片是一个很快的操作，和图片的尺寸以及压缩方式无关，打开的时候只读取文件header来获取文件格式、模式、尺寸等信息 from PIL import Image im = Image.open("hopper.ppm") with open("hopper.ppm", "rb") 阅读全文

摘要： 图像处理领域的计算要求并不是微不足道的，需要一些基本方法简化傅里叶变换的计算，并加快计算速度 二维DFT的可分性 $$ \begin{aligned} F(u,v) &= \sum_{x = 0}^{M - 1}e^{-j2\pi u x / M}\sum_{y = 0}^{N - 1}f(x,y) 阅读全文

摘要： 下式是二维傅里叶变换$DFT$ $$ F(\mu,v) = \sum_{x = 0}^{M - 1}\sum_{y = 0}^{N - 1}f(x,y)e^{-j2\pi(\mu x / M + vy / N)} $$ 其中$f(x,y)$是大小为$M \times N$的数字图像，当给出$F(\m 阅读全文