上一页 1 ··· 3 4 5 6 7 8 9 10 11 ··· 17 下一页
摘要: function [confmatrix] = cfmatrix(actual, predict, classlist, per)% CFMATRIX calculates the confusion matrix for any prediction % algorithm that generates a list of classes to which the test % feature vectors are assigned%% Outputs: confusion matrix%% Actual Classes% ... 阅读全文
posted @ 2012-04-01 21:44 hailong 阅读(5592) 评论(0) 推荐(0) 编辑
摘要: 转自 http://www.slyar.com/blog/kruskal-disjoint-sets-c.html Kruskal比较适用于稀疏图,是一种贪心算法:为使生成树上边的权值和最小,则应使生成树中每一条边的权值尽可能地小。具体做法:找出森林中连接任意两棵树的所有边中,具有最小权值的边,如果将它加入生成树中不产生回路,则它就是生成树中的一条边。这里的关键就是如何判断"将它加入生成树中不产生回路"。《算法导论》提供的一种方法是采用一种"不相交集合数据结构",也就是并查集了。具体的实现看代码好了,反正核心内容就是如果某两个节点属于同一棵树(Find_ 阅读全文
posted @ 2012-04-01 16:37 hailong 阅读(885) 评论(0) 推荐(0) 编辑
摘要: 转自 http://blog.chinabyte.com/a/285247.html 在众多自然灾害中地震造成的人员伤亡数量和经济损失最大,近两年来中国汶川。从少量的建筑物的结构破坏,到城市中心或者大型国家社会经济基础建筑的完全摧毁。限于当前技术水平还不能实现有效的地震灾害预报预警,只能通过开展灾后救援,安置灾民和灾后重建等手段,减少灾害带来的生命和财产损失。房屋倒塌作为城镇区域受损程度的重要标志,其数量和分布能够直接反映灾区生命财产损失的情况。因此,快速获取受灾地区房屋倒塌信息,使应急救援在地震灾害后72小时内投送到关键位置是最为紧迫的需要。 1.项目应用背景 1m以内空间分辨率光学... 阅读全文
posted @ 2012-04-01 14:59 hailong 阅读(833) 评论(0) 推荐(0) 编辑
摘要: 对一帧遥感影像进行专题分类后需要进行分类精度的评价,而进行评价精度的因子有混淆矩阵、总体分类精度、Kappa系数、错分误差、漏分误差、每一类的制图精度和拥护精度。 1、混淆矩阵(ConfusionMatrix): 主要用于比较分类结果和地表真实信息,可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。混淆矩阵的每一列代表了一个地表真实分类,每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量,有像元数和百分比表示两种。 2、总体分类精度(Overall Accuracy): 等于被正确分类的像元总和除以总. 阅读全文
posted @ 2012-04-01 11:05 hailong 阅读(2273) 评论(0) 推荐(0) 编辑
摘要: image = imread('image.png');imageWidth = size(image, 2);imageHeight = size(image, 1);windowWidth = 32;windowHeight = 32;for j = 1:imageHeight - windowHeight + 1 for i = 1:imageWidth - windowWidth + 1 window = image(j:j + windowHeight - 1, i:i + windowWidth - 1, :); % do stuff with s... 阅读全文
posted @ 2012-04-01 11:01 hailong 阅读(396) 评论(0) 推荐(0) 编辑
摘要: 本想再用滑动窗口计算写代码计算局部方差,网上查了下,matlab提供stdfilt函数来计算局部方差:matlab内的解释是:stdfilt图像的局部方差 语法J = stdfilt(I)J = stdfilt(I, NHOOD)DescriptionJ = stdfilt(I) returns thearray J, where each output pixel contains the standarddeviation of the 3-by-3 neighborhood around the corresponding pixelin the input image I. I can 阅读全文
posted @ 2012-04-01 08:04 hailong 阅读(6316) 评论(0) 推荐(0) 编辑
摘要: w1=double(I11+I12+I13)/3%w1=uint8(w1);%inshow(w1/256);imshow(w1,[]);反正在网上搜了,图像运算先要转换成double,再显示的话,就要用最后一句 阅读全文
posted @ 2012-03-30 16:36 hailong 阅读(238) 评论(0) 推荐(0) 编辑
摘要: 摘自 http://blog.csdn.net/coolbacon/article/details/4042054clear;clc;m1 = [[0 2];[3 1]];u1=ones(2, 2);m2=[[4*m1 4*m1+2*u1];[4*m1+3*u1 4*m1+u1]]u2=ones(4, 4);m3=[[4*m2 4*m2+2*u2];[4*m2+3*u2 4*m2+u2]]I = imread('E:\\beichuan1.jpg');gI = .2989*I(:,:,1)... +.5870*I(:,:,2)... +.1140*I(:,:,3);[h w] 阅读全文
posted @ 2012-03-27 21:09 hailong 阅读(801) 评论(0) 推荐(0) 编辑
摘要: 算是保存个副本吧:#include "cv.h"#include "highgui.h"#include <fstream>#include <iostream>using namespace std;int main(){ IplImage* img = cvLoadImage("F:\\易康小分类图1_seg.bmp", 1); /* always check */ assert(img); int nWidth = img->width; int nHeight = img->height; 阅读全文
posted @ 2012-03-21 10:28 hailong 阅读(299) 评论(0) 推荐(0) 编辑
摘要: 每次close之后,想继续读入而不擦除原来的内容,可以这样写:ofstream area_file ("area.txt",ios::app|ios::out|ios::in);而每次均要擦除,这样写:ofstream area_file ("area.txt",ios::trunc|ios::out|ios::in);ofstream area_file ("area.txt",ios::ate|ios::out|ios::in);经过测试,效果是这样的! 阅读全文
posted @ 2012-03-21 08:50 hailong 阅读(201) 评论(0) 推荐(0) 编辑
摘要: 要制作半透明效果,必须先决定图形所要显示的透明度,例如透明度100%就是完全透明,透明度50%就是半透明。下面就来说明制作半透明效果的步骤: 步骤一:取出位图的各个像素点,将各像素点的RGB值乘以透明度百分比,然后将它放入到一个内存数组中。 步骤二:取出背景图与位图重叠部分的像素点,将各像素点的RGB值乘以透明度百分比,然后再将其放入另一个内存数组中。 步骤三:将前两个步骤所产生的数组相加,就产生了所有半透明的色彩值了。假设我们要制作透明度为30%的半透明图,则其大致的计算公式如下:半透明图色彩=来源图色彩*30%+背景图色彩*70%主要代码:PixelBytes=bmpX.bmBi... 阅读全文
posted @ 2012-03-20 09:05 hailong 阅读(416) 评论(0) 推荐(0) 编辑
摘要: 直接代码:/*===============================================//功能:OpenCV Utility: Reading Image Pixels Value时间:4/4/2011 SkySeraph HQU//===============================================*/#include "iostream"#include "math.h"#include "cv.h"#include "highgui.h"using namesp 阅读全文
posted @ 2012-03-19 17:21 hailong 阅读(1543) 评论(0) 推荐(0) 编辑
摘要: 来自http://blog.csdn.net/up5p5mm/article/details/26138541.首先安装好python库,设置好相应的include和lib路径:把“PythonWin/include”加入包含路径,把“PythonWin/libs"加入附加库路径,然后在调用python的cpp头中加入:#include "python.h"2.调用Py_Initialize初始化python解析器环境3.在c中,python所有对象都是PyObject,常用PyObject *.4.要把python中的数据类型转化成C中的数据类型,才能在C中使用 阅读全文
posted @ 2012-03-17 20:26 hailong 阅读(5001) 评论(0) 推荐(0) 编辑
摘要: 1.用ENVI处理得到图像的各种特征图像;这个灰常容易滴;2.用matlab保存图像的矩阵(当然是float型滴)clc;I = imread('1.bmp');M = double(I)/255.00;dlmwrite('1.txt',M,'delimiter',' ','newline','pc');3.讲txt读入Cvmat,传送门:http://www.cnblogs.com/xiangshancuizhu/archive/2011/10/17/2215504.html4.然后各种处理貌似有 阅读全文
posted @ 2012-03-17 10:03 hailong 阅读(280) 评论(0) 推荐(0) 编辑
摘要: 转自 http://hi.baidu.com/liuzhiliangliang/blog/item/bfbb5b277cf05c1c918f9d8c.html#0博主提出的观点如题目,感觉这是SVM的基本问题,却在论文中被忽视,只能说悲剧。不说了,原文奉上:在有些关于SVM的论文中,一些作者认为SVM只依赖于支撑向量集,所以:即使训练样本中只包含支撑向量集,也可以得到与之前一样的SVM模型。这种观点是错误的,因为支撑向量集的产生,是所有样本共同作用的结果,如果缺少任何一个样本都有可能产生不同的SVM模型。所谓支撑向量,只是说是用该训练集得到的SVM模型在进行决策时只依赖于此支撑向量集,其它的非 阅读全文
posted @ 2012-03-15 15:53 hailong 阅读(539) 评论(0) 推荐(0) 编辑
摘要: 多变量分析:1.PCA它是通过变量的线性组合来解释一组变量的方差-协方差的结构。PCA是用来降维的。用PCA的主要原因:数据压缩.:PCA通常用来把包含大量信息原始数据压缩到新的复合变量或者维度的较小的集合,同时损失做少的信息。Interpretation.PCA can be used to discover important features of a large data set. It often reveals relationships that were previously unsuspected, thereby allowing interpretations of th 阅读全文
posted @ 2012-03-15 09:55 hailong 阅读(3842) 评论(0) 推荐(0) 编辑
摘要: 源自: http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/Feature selection tool is a simple python script to use F-score for selecting features. To run it, please put it in the sub-directory "tools" of LIBSVM.Output files: .fscore shows importance of features, .select gives the running log, and . 阅读全文
posted @ 2012-03-13 21:39 hailong 阅读(906) 评论(0) 推荐(0) 编辑
摘要: 先看看博客上大家是怎么认为的吧:如果用少量训练数据训练出来的模型(Ma)比使用全部数据但是经过特征裁剪训练出来的模型(Mb)性能还要高,那么能说明什么问题?这里面两个注意的地方,其一是少量数据产生的特征甚至还要比全部数据裁剪后的特征数量少很多,其二是如果用少量数据中的特征在全部数据上训练得到模型Mc,我猜测性能会比Mb更低。如果猜想成立,那么又说明了什么呢。在自然语言处理中,我感觉特征中的term比template要重要很多,而事实上一个具体的特征又会由很多term合并而成。那么特征分组是否可以考虑以term为单位,尤其是衡量特征的有效性。 特征选择(feature selection)是一种 阅读全文
posted @ 2012-03-12 20:55 hailong 阅读(9202) 评论(0) 推荐(0) 编辑
摘要: from http://pinkyjie.com/2010/08/31/covariance/统计学的基本概念学过概率统计的孩子都知道,统计里最基本的概念就是样本的均值,方差,或者再加个标准差。首先我们给你一个含有n个样本的集合,依次给出这些概念的公式描述,这些高中学过数学的孩子都应该知道吧,一带而过。均值:标准差:方差:很显然,均值描述的是样本集合的中间点,它告诉我们的信息是很有限的,而标准差给我们描述的则是样本集合的各个样本点到均值的距离之平均。以这两个集合为例,[0,8,12,20]和[8,9,11,12],两个集合的均值都是10,但显然两个集合差别是很大的,计算两者的标准差,前者是8. 阅读全文
posted @ 2012-03-12 20:06 hailong 阅读(600) 评论(0) 推荐(0) 编辑
摘要: 从SVM核函数特点看特征选择:SVM的核函数本质上是通过拆解当前特征(变成更多的特征),使一个非线性的问题转换为线性问题(SVM本身只能解决线性问题,现在有了核函数它就能够解决非线性问题了)。所以,无论是不是线性函数,SVM都没有对不同的feature进行交叉计算:比如一个vector (a, b, c), SVM只会扩展出 (a1, a2, a3, b1, b2, c1, c2),但绝不会扩展出类似( a/b, b/c, logb(a^2) )。所以在进行SVM特征选择时,必须给出理性的,直觉上有贡献的feature,而不是把所有原始信息丢给SVM,寄希望于其后期的核函数能搞定这一点。换句话 阅读全文
posted @ 2012-03-12 17:11 hailong 阅读(454) 评论(0) 推荐(0) 编辑
摘要: 类别可分离性判据特征提取与选择的共同任务是找到一组对分类最有效的特征,有时需要一定的定量准则(或称判据)来衡量特征对分类系统(分类器)分类的有效性。换言之,在从高维的测量空间到低维的特征空间的映射变换中,存在多种可能性,到底哪一种映射变换对分类最有效,需要一个比较标准。此外,选出低维特征后,其组合的可能性也不是唯一的,故还需要一个比较准则来评定哪一种组合最有利于分类。 1.可分离性判据满足的条件 从理论上讲,可以用分类系统的错误概率作为判据,选取分类系统错误(概)率最小的一组特征作为最佳特征。但在实践中;由于类条件分布密度经常是未知的,且即使已知其分布但难于用计算机实现。因此,要研究实用的判据 阅读全文
posted @ 2012-03-11 22:30 hailong 阅读(916) 评论(0) 推荐(0) 编辑
摘要: 区域填充即给出一个区域的边界,要求对边界范围内的所有象素单元赋予指定的颜色代码。区域填充中最常用的是多边形填色,本节中我们就以此为例讨论区域填充算法。多边形填色即给出一个多边形的边界,要求对多边形边界范围的所有象素单元赋予指定的色代码。要完成这个任务,一个首要的问题,是判断一个象素是在多边形内还是外。数学上提供的方法是“扫描交点的奇偶数判断”法:1、将多边形画在纸上。2、用一根水平扫描线自左而右通过多边形而与多边形之边界相交。扫描线与边界相交奇次数后进入该多边形,相交偶次数后走出该多边形。图2.3.1示出这类情况:扫描线与多边形相交四点。相交a点之后入多边形;交b点(第2交点)之后出多边形;交 阅读全文
posted @ 2012-03-11 21:45 hailong 阅读(3125) 评论(0) 推荐(0) 编辑
摘要: 来源:http://blog.csdn.net/byxdaz/article/details/651473 阅读全文
posted @ 2012-03-11 20:02 hailong 阅读(364) 评论(0) 推荐(0) 编辑
摘要: 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者连续的区域。 特征的定义 至今为止特征没有万能和精确的定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分,它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”:同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算,也就是说它是对一个图像进行的第一个运算处理。它检查.. 阅读全文
posted @ 2012-03-11 19:53 hailong 阅读(5741) 评论(0) 推荐(0) 编辑
摘要: % 读取图象数据到矩阵[A, map] = imread('E:\\test.jpg');% 得到图象信息info = imfinfo('E:\\test.jpg');w = info.Width;h = info.Height;% 创建与图象大小相对应的网格[x,y] = meshgrid(1:w,1:h);z = x - y + y - x;i = 1;j = 1;% 用图象灰度值填充高度值while (i - 1) * w + j <= w * hz(i,j) = A(i,j);j = j + 1;if j > wj = 1;i = i + 1 阅读全文
posted @ 2012-03-09 15:47 hailong 阅读(460) 评论(0) 推荐(0) 编辑
摘要: 1、想设计一种一统天下的算法是痴人说梦,不同的目标识别必须为其量身定做相应的算法。即使是同一种目标,有时在不同的状态下,针对同一目标,也需要设计特定的算法。 2、对目标进行识别时,需要对大量的样本进行分析,首先应对样本进行人工分类,然后尽可能地增加样本数量,足够到你增加任何一个样本,都可以投放到你所分的类别中。(疑问,针对不同的分类器,肯定对样本有不同要求,训练出的分类器分类精度又有不同结果,所以这点没必要增加过多样本,比如BP网络,样本过多往往造成过学习。)3、目标有很多特征,但是你一定要区分开处于不同尺度的特征,不能将它们混为一谈,大尺度的特征可能有助于你对目标进行定性计算(分类),而微. 阅读全文
posted @ 2012-03-08 09:38 hailong 阅读(584) 评论(0) 推荐(0) 编辑
摘要: OSTUC++实现:#include <assert.h>#include "cv.h"#include "highgui.h"#include <math.h> #include <iostream>using namespace std;// implementation of otsu algorithm// author: onezeros(@yahoo.cn)// reference: Rafael C. Gonzalez. Digital Image Processing Using MATLABvoid 阅读全文
posted @ 2012-03-07 20:47 hailong 阅读(7269) 评论(0) 推荐(1) 编辑
摘要: comefromhttp://blog.sina.com.cn/s/blog_40884e9b0100v6qu.htmlmage segmentation is one of the primary steps in image analysis for object identification. The main aim is to recognise homogeneous regions within an image as distinct and belonging to different objects. Segmentation stage does not worry ab 阅读全文
posted @ 2012-03-02 15:46 hailong 阅读(1338) 评论(0) 推荐(0) 编辑
摘要: 转自http://www.1me.com.cn/thread-18459-1-1.html参加开题报告会是非常重要的:完成了一个好的开题报告可以说相当于完成了学位论文的一半;因为此时所有的实施方案基本都已设计好,如果实施方案合理,那么下面一步步去实现就可以了。如果实施方案不合理或所定课题份量不够,那么照此做出来的论文就很有可能达不到学位论文的标准;如果所定课题份量过重,则会有完不成的危险性。参加开题报告会的老师们的主要责任就是帮助同学们在这方面加以把握,同时也给开题的同学们提一些建设性的意见,使得同学们的实施方案尽可能地完善,以保证接下去做的工作能够较好地达到学位论文的标准。 开题报告PPT的 阅读全文
posted @ 2012-03-01 09:32 hailong 阅读(1559) 评论(0) 推荐(0) 编辑
摘要: BP神经:特点:信号前向传递,误差反向传递。训练网络:输入:训练样本(个数为m,维数为n)1.网络初始化。确定输入层节点数为n,隐含层节点数可为n+1,输出节点数为m。初始化输入层、隐含层、输出层神经元之间的链接权值Wij,Wjk;初始化隐含层阈值a,输出层阈值b,给定学习速率和神经元激励函数。2.隐含层输出计算。根据输入向量X,Wij,a,来计算隐含层输出H。3.输出层计算4.误差计算5.权值更新6.阈值更新7.判断算法迭代是否结束,若无返回2. 阅读全文
posted @ 2012-02-24 15:22 hailong 阅读(497) 评论(0) 推荐(0) 编辑
上一页 1 ··· 3 4 5 6 7 8 9 10 11 ··· 17 下一页