kofsky
- 浏览: 204145 次
- 性别:
- 来自: 重庆
-
最新评论
-
Share_word：
SNMP -
zolo1226：
第一题解答有问题，式子没看出有什么意义
算法导论上几个简单的习题 -
tmj_159：
看这个跟看乱码没有区别,眼睛疼.
国际C语言混乱代码大赛（IOCCC） -
ibio：
呵呵。强悍，顶！~
求解一个简单的逻辑题 -
breakhearts：
你的第一题和最后一题都有问题，第一题random(0,1)不是 ...
算法导论上几个简单的习题
文章列表
设图像相邻像素的灰度值可能相同。在图像中，统计从任意像素点出发沿某个theta方向（例如45，09，135等）上连续j个像素点都具有灰度只i出现的概率，记为Pij其中i=1,2,…Nf-1;j=1,2,…Nr-1，Nf为灰度级数，Nr为行程数在某一方向具有相同灰度值的像素个数称为行程长度Nf 灰度级数Nr 行程数theta 方向
计算特征：<o:p></o:p>
ShortDifferMoment 强调短行程的逆差<o:p></o:p>
LongDifferMoment 强调长行程的逆 ...
- 2007-11-01 21:23
- 浏览 955
- 评论(0)
1.BLOB查询时遇到异常：testSaveOrUpdateOrList(net.kofsky.nmis.po.TestPO.TestMerchandisePO)org.springframework.orm.hibernate3.HibernateJdbcException: JDBC exception on Hibernate data access; nested exception is org.hibernate.exception.GenericJDBCException:could not initialize a collection: [ne ...
- 2007-11-01 09:47
- 浏览 1575
- 评论(0)
纹理特征分析既可用灰度本身的信息，又可用灰度变化的梯度信息。灰度-梯度共生矩阵纹理分析方法是用灰度和梯度的综合信息提取纹理特征，它考虑像素灰度与边缘梯度的联合统计分布。利用灰度-梯度共生矩阵我们计算了小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度方差、梯度方差、相关、梯度熵，灰度熵、混合熵、惯性、以及逆矩差等十五个纹理特征量
<o:p>
<o:p> </o:p>
参数说明:
GrayNumLevels 灰度级参数<o:p></o:p>
GradsNumLevels 梯度级参数< ...
- 2007-10-31 20:46
- 浏览 1486
- 评论(0)
一个函数需要完成特征值的计算功能，特征值有多个。
现在假设这个函数需要计算四个特征值，在计算特征值之前需要一些基本的预处理运算。
function [out]=CalculateFeatures(in)calculateBase(); % 公共计算部分calculateFeaturesA(); % 计算特征值AcalculateFeaturesB(); % 计算特征值BcalculateFeaturesC(); % 计算特征值CcalculateFeaturesD(); % 计算特征值D
...
- 2007-10-29 22:31
- 浏览 849
- 评论(0)
计算图像的矩，通过矩来计算图像的不变矩特征。
采用了两种方式计算不变矩。
第一种，直接采用循环实现：
% 计算图像平面上区域的矩% 参考：《图像工程（中册）图像分析》P240% f 输入二维图像(函数)% (p,q) 需要计算的阶数% 返回：% 函数 f(x,y) 的 p+q 阶矩function [moment]=CalculateMoment(f,p,q)[xSize,ySize]
- 2007-10-28 21:42
- 浏览 1297
- 评论(0)
下周任务：特征构造与特征分析
1、增加颜色直方图的描述，或者其他颜色特征
2、各种特征提取方法的比较
3、特征分析：
特征索引到特征名称的映射
特征索引到特征提取算法实现的映射（依据一个索引提取对应的特征）
对强分类器的分析，分析不同特征提取方法，不同特征的效果
- 2007-10-27 19:30
- 浏览 736
- 评论(0)
未经说明默认参数为：<o:p></o:p>
位置算子采用默认位置算子，即offset=[0 1;0 3;0 5;1 0;3 0;5 0;1 1;2 2;4 4;5 5;1 3;3 1;2 4;4 2;3 5;5 3];16个<o:p></o:p>
每个位置算子对应提取特征4个<o:p></o:p>
<o:p> </o:p>
每个方法提取的特征<o:p></o:p>
constract 对比度<o:p></o:p>
entropy: ...
- 2007-10-27 19:21
- 浏览 1073
- 评论(0)
1000个正样本，1000个负样本将图像归一化至24X24
选取了10个特征模板：
HarrLike{1}=[1 -1];HarrLike{2}=[1 -1].';HarrLike{3}=[1 -1 1];HarrLike{4}=[1 -1 1].';HarrLike{5}=[0 1;-1 0];HarrLike{6}=[1 0;0 -1];HarrLike{7}=[1 -1;-1 1];HarrLike{8}=[1 1 1;1 -1 1;1 1 1];HarrLike{9}=[0 0 1;0 -1 0;1 0 0];HarrLike{10}=[1 0 0;0 -1 0;0 0 1];
每个样本 ...
- 2007-10-26 21:08
- 浏览 2219
- 评论(0)
《图像工程之图像分析》285面，章毓晋著首先计算区域纹理描述符，然后计算11个纹理描述符
未经说明默认参数为：<o:p></o:p>
灰度级压缩为32<o:p></o:p>
位置算子采用默认位置算子，即offset=[0 1;0 5;1 0;5 0;1 1;1 -1;5 5;5 -5;2 5;2 -5;4 5;4 -5;5 2;5 -2;5 4;5 -4];16个<o:p></o:p>
每个位置算子对应提取特征11个<o:p></o:p>
<o:p> </o:p>
<o ...
- 2007-10-25 22:54
- 浏览 1899
- 评论(0)
实验参数：
选取的频率为 0.5 0.25 0.125 0.1 (对应尺度为1,2,4,5)
选取的方向为 0,30,60,90,120,150 (pi:0,0.5236,1.0472,1.5708,2.0944,2.6180)
alpha=1/pi;
beta=1/pi;
<o:p> </o:p>
选取1000个正样本，2000个负样本，调整某些参数，获得的效果比较如下：
- 2007-10-24 15:47
- 浏览 1153
- 评论(0)
1、 病斑样本
病斑长宽由60至140不等，以100X100左右居多。正样本1000枚，负样本6150枚。实验中使用正样本1000枚，负样本6000枚。
病斑正样本：从300余幅柑橘叶片上剪切下1000个病斑，其大小为100X100左右
病斑负样本：
通过四个方式获得：
A、134幅新的大柑橘叶片上用程序截取非病斑区域2200余个
B、柑橘叶片图像上手工剪切背景区域200余个
C、300余幅老柑橘叶片上剪切下1000余个叶片边缘与叶片区域
D、通过百度图片搜索获得
在百度图片搜索中输入如下关键字，获得的图像数量如下：
“树叶”：2000余枚
“森林”：约400枚
“绿叶”“约200枚
“ ...
- 2007-10-23 17:45
- 浏览 788
- 评论(0)
从百度图片搜索上下载叶片图像，作为柑橘溃疡病识别的负样本。
百度图片搜索的结果通过一个javascript函数动态生成：
function funURL(a,b,c,d,e,f,g,h,i,j,k,l,m,n,o,p,q)...{arrImg[imgNum++]='<a href=http://image.baidu.com/i?ct=503316480&z='+a+'&tn=baiduimagedetail&word='+trim(b)+'&in='
- 2007-10-19 23:15
- 浏览 966
- 评论(0)
级联分类器的目标是为了使用较少的特征，拒绝与目标差异较大的样本。由于样本数量较多，即使采用级联boosting分类器，花费时间仍然较大；可否考虑一次拒绝大量相似的候选样本？比如考虑聚类与分类器相集合？<o:p></o:p>
对于特征，由于每个特征获得效果不一样，提取时间不一样，特征相关性存在差异，因此将特征分组，依据分组的特征来进行聚类和分类是个很好的选择。提取非常简单的特征进行聚类，然后用较复杂的特征进行分类。可行否？？ <o:p></o:p>
样本太多，聚类也太花时间，咋的办？？？？<o:p></o:p ...
- 2007-10-17 19:18
- 浏览 1357
- 评论(0)
论文《Face Detection Method Based on Kernel Independent Component Analysis and Boosting Chain Algorithm》与《基于级联式Boosting方法的人脸检测》涉嫌抄袭论文《Boosting Chain Learning for Object Detection》。
Face Detection Method Based on Kernel Independent Component Analysis and Boosting Chain Algorithm（下称 文1），作者：Yan Wu and Y ...
- 2007-10-11 21:36
- 浏览 838
- 评论(0)
主要分为叁点
1、先将Cascade AdaBoost几篇有新意的论文仔细读完，已看了叁篇，剩余六篇的洋子
2、看下C++和 AJAX吧，似乎只有做项目才能学的深入些，不然看过了啥都又忘了
3、柑橘溃疡病识别方面，又一个月的洋子没弄了，不知从何开始？几个方面需要改进
a 特征：增加颜色特征、简单纹理特征、重新测试gabor特征、删除傅立叶特征以及边缘检测算子特征
b 窗口样本：负样本中增加其他病症样本和其他背景样本（比如树枝树干等）
增加样本数量
c 病斑级样本：与上同
d 如何提高速度？ ...
- 2007-10-08 20:02
- 浏览 663
- 评论(0)