视频跟踪

November 30
视频跟踪
下午老板叫去开会,心里就预感有事情要发生,该来的不该来的还是不可阻挡的来了. 从去年开始,我的研究方向就一直是视频跟踪,这也是我们实验室的传统课题.从一无所知,没有任何图像方面的基础,看论文被各种术语困住无法前行,一个基础一个基础的攻破,查阅了巨多的资料,看了十几篇论文,阅读.修改代码,反复研究,在几乎没有指导的情况下终于拨云见日.渐入佳境:理解了贝叶斯框架在视频跟踪中的应用,理解了粒子滤波.卡尔曼滤波.马尔可夫蒙特卡罗采样与视频跟踪的结合:看论文的速度也加快了. 期间得到周师兄的帮助,尤其在找

前 k 条最短路径算法

November 30
前 k 条最短路径算法
[注:为了简便我这里只列出算法的步骤和伪代码,详细的数学证明请参见相关论文.C++代码的算法实现可以在我的sourceforge目录https://sourceforge.net/projects/ksp 下载使用.特别要指出的是葡萄牙教授Martins对此算法有深入研究,发表了为数众多的相关论文,我这里采用的也是基于他早期提出的deletion algorithm.Martins的Fortran代码可以在这个网站http://www.mat.uc.pt/~eqvm/ 下载,同时这个网站还提供大

图像分割方法及性能评价综述

November 30
图像分割方法及性能评价综述
摘 要 对医学图像分割算法的客观评价是推进算法在临床上得到应用的关键.针对目前对医学图像分割方法的研究较多,而对分割算法的评价方法的研究却很少的问题,提出了一种判断和比较医学图像分割算法优劣的评价方法.首先对现有的几种评价方法进行了综述,并总结出了一套评价系统.可靠性.精确性.区域统计特性和效率是评价一个分割方法的4个重要参数,结合医学图像分割分别对它们的定义进行了说明.这些参数互相影响,评价分割算法时必须权衡这些指标,根据不同的应用背景赋予它们不同的权重.此外,还介绍了如何建立医学图像分割金标

C/S与B/S系统测试的不同点和相同点

November 30
C/S与B/S系统测试的不同点和相同点
A回答. 按系统测试的分类1.功能性测试C/S:服务器和客户端均会分担一部分的事务处理功能,应分开测试.B/S:服务器负责主要的事务逻辑,所以应将重点放在服务器上.2.安全测试C/S:可以使用多种网络协议,甚至可以自定义协议,从这个角度来看,C/S的安全性是有保障的.B/S:使用http协议,虽然最新的https协议在安全性方面有所提升,但还是弱于C/S.3.配置测试C/S:客户端需要进行安装和卸载测试.B/S:无需安装,但要针对不同核心的浏览器进行兼容测试.4.GUI测试C/S:客户端的界面变

linux 学习

November 30
linux 学习
mkdir 新建文件夹 mkdir test cd 切换目录(进入新的文件夹) rm -r web1 删除文件夹 加'-r'                      删除文件不加'-r' reset 清屏 ls -l 详细信息 (中间空格 表示详细信息) touch text.txt 新建文本文件 cd ../返回上一目录

STL

November 30
STL
STL = Standard Template Library,标准模板库,惠普实验室开发的一系列软件的统称.它是由Alexander Stepanov.Meng Lee和David R Musser在惠普实验室工作时所开发出来的.这可能是一个历史上最令人兴奋的工具的最无聊的术语.从根本上说,STL是一些"容器"的集合,这些"容器"有list,vector,set,map等,STL也是算法和其他一些组件的集合.这里的"容器"和算法的集合指的是世界

基于区域生长的图片分割算法

November 30
基于区域生长的图片分割算法
类似于漫水法,代码如下:   A0=imread('2.png');%读取图像 seed=[1,2];%选择起始位置 thresh=15;%相似性选择阈值 A=rgb2gray(A0);%灰度化 A=imadjust(A,[min(min(double(A)))/255,max(max(double(A)))/255],[]); A=double(A);%将图像灰度化 B=A; [r,c]=size(B);%r为行数,c为列 n=r*c;%计算图像包含点的个数 pixel_seed=A(seed

图像分割之分水岭算法

November 30
图像分割之分水岭算法
分水岭图像分割算法借助地形学概念进行图像分割,近年来广泛使用. 1. 基本原理和步骤 1)原理 分水岭方法将图像看作3-D的地形表示,即2-D的地基(对应图像空间)加上三维的高度(对应图像灰度). 实际中建立不同目标间的分水岭的过程常借助涨水法(水从低上涨)来讨论.如图1所示 假设有水从各谷底空涌出并且水位逐渐增高,如果两个相邻的谷底(区域A和B)涌出的水位高过其间的峰间这些谁就会汇合.这个汇合的点就是分水岭. 图1 由此可见,如果能确定分水岭的位置,就能将图像用一组各自封闭的曲线分割成不同的区

实战EM算法与图像分割

November 30
实战EM算法与图像分割
EM 算法是求参数极大似然估计的一种方法,它可以从非完整数据集中对参数进行估计,是一种非常简单实用的学习算法.这种方法可以广泛地应用于处理缺损数据.截尾数据以及带有噪声等所谓的不完全数据,可以具体来说,我们可以利用EM算法来填充样本中的缺失数据.发现隐藏变量的值.估计HMM中的参数.估计有限混合分布中的参数以及可以进行无监督聚类等等. 贴相关几个好文章:从最大似然到EM算法浅解 混合高斯模型(Mixtures of Gaussians)和EM算法 斯坦福大学机器学习--EM算法求解高斯混合模型

【CV/matlab】常用的图像分割算法及其实现

November 30
【CV/matlab】常用的图像分割算法及其实现
Date: 2017/12/30 参考: http://blog.csdn.net/xcymorningsun/article/details/52684235  常用的图像分割算法: (1)基于阈值的分割方法:可在各种颜色空间或不同通道中完成阈值.自适应阈值图像分割. (2)基于边缘的分割方法:各种边缘检测算子,Sobel,Canny等. (3)基于区域的分割方法:分水岭.区域归并与分裂. (4)图割分割:最大流(最小割)算法 (5)基于深度信息的分割: (6)基于先验信息的分割: 实现:(这

matlab图像分割算法源码

November 30
matlab图像分割算法源码
1.图像反转 MATLAB程序实现如下: I=imread('xian.bmp'); J=double(I); J=-J+(256-1);                 %图像反转线性变换 H=uint8(J); subplot(1,2,1),imshow(I); subplot(1,2,2),imshow(H); 2.灰度线性变换 MATLAB程序实现如下: I=imread('xian.bmp'); subplot(2,2,1),imshow(I); title('原始图像'); axis

图像分割算法简介及常用边缘检测算法

November 30
图像分割算法简介及常用边缘检测算法
                                                                              图像分割算法概述及常用边缘检测算法 一.概述 用计算机进行数字图像处理的目的有两个,一是产生更适合人类视觉观察和识别的图像,二是希望计算机能够自动进行识别和理解图像.无论是为了何种目的,图像处理的关键一步是对包含有大量各式各样景物信息的图像进行分解.分解的最终结果就是图像被分成一些具有各种特征的最小成分,这些成分就称为图像的基元.产生这些基元

思考: 现有 图像分割算法 的缺陷

November 30
思考: 现有 图像分割算法 的缺陷
设计缺陷 人们在关注图像中的生命个体(尤其是人)的时候,关注点 往往 只是目标的脸和手脚 .这部分区域虽小,却给观者提供了对目标个体进行联想的绝大部分信息. 现有的图像分割算法 却 只是对均匀权重的像素点阵进行圈地运动 pixel-level segment 即便是图像分割算法中常提到的 pixel-level segment(像素级分割),其实 也只是 对均匀权重的像素点阵 进行的 无差别意义上的 pixel-level segment. 然而,生活中最能被广泛运用到的,却是 侧重针对 关注点

基于颜色信息的图像分割算法

November 30
基于颜色信息的图像分割算法
1.算法原理 (1)RGB颜色模型 我们通过在镜头前放置红(R),绿(G),蓝(B)三种颜色的滤光镜,得到R.G.B的三颜色通道.将三种滤光镜所生成的图像的灰度值以三基色原理组合在一起表示目标图像颜色的方式,就是我们最常见到的RGB颜色模型. (2)模式分类--最近中心分类 对于图像上的每一个像素,我们都可以用一个含有R.G.B三色分量的三维向量表示.即:V(R,G,B). 图像中的每一个物体区域都对应于向量空间(颜色空间)中的一个聚类(聚焦在一起的一些点).对于图像中某一未知点,我们需要将其进

图像分割算法总结

November 30
图像分割算法总结
图像分割就是把图像分成若干个特定的.具有独特性质的区域并提出感兴趣目标的技术和过程.它是由图像处理到图像分析的关键步骤.现有的图像分割方法主要分以下几类:基于阈值的分割方法.基于区域的分割方法.基于边缘的分割方法以及基于特定理论的分割方法等.1998年以来,研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割,提出了不少新的分割方法.图像分割后提取出的目标可以用于图像语义识别,图像搜索等等领域. 2分割方法 ▪ 阈值分割 ▪ 区域分割 ▪ 边缘分割 ▪ 直方图法 3特定

fit_transform()函数和transform()函数

November 30
fit_transform()函数和transform()函数
敲<Python机器学习及实践>上的code的时候,对于数据预处理中涉及到的fit_transform()函数和transform()函数之间的区别很模糊,查阅了很多资料,这里整理一下: 涉及到这两个函数的代码如下: [python] view plain copy print?# 从sklearn.preprocessing导入StandardScaler  from sklearn.preprocessing import StandardScaler  # 标准化数据,保证每个维度的特征

python单步调试

November 30
python单步调试
1. Python单步调试 运行python -m pdb test.py (Pdb) 会自动停在第一行,等待调试,这时你可以看看帮助 (Pdb) h 几个关键命令 断点设置 (Pdb)b 10 #断点设置在本py的第10行 或(Pdb)b ots.py:20 #断点设置到 ots.py第20行 删除断点(Pdb)b #查看断点编号 (Pdb)cl 2 #删除第2个断点 运行 (Pdb)n #单步运行 (Pdb)s #细点运行 也就是会下到,方法 (Pdb)c #跳到下个断点 查看 (Pdb)p

pandas使用

November 30
pandas使用
一.生成数据表 1.首先导入pandas库,一般都会用到numpy库,所以我们先导入备用: import numpy as np import pandas as pd12 2.导入CSV或者xlsx文件: df = pd.DataFrame(pd.read_csv('name.csv',header=1)) df = pd.DataFrame(pd.read_excel('name.xlsx')) 123 3.用pandas创建数据表: df = pd.DataFrame({"id"

python os.path常用方法

November 30
python os.path常用方法
python os.path模块常用方法详解 os.path模块主要用于文件的属性获取,在编程中经常用到,以下是该模块的几种常用方法.更多的方法可以去查看官方文档:http://docs.python.org/library/os.path.html 1.os.path.abspath(path) 返回path规范化的绝对路径. os.path.abspath('test.csv') 'C:\Python25\test.csv' os.path.abspath('c:\test.csv') 'c

目录-医学图像分割与配准(ITK初步分册)

November 30
目录-医学图像分割与配准(ITK初步分册)
1 欢迎 1.1 团体机构 1.2 如何学习 1.3 软件组织 1.3.1 获取软件 1.4 ITK下载 1.4.1 下载发行的版本 1.4.2 从CVS下载 1.4.3 加入Mailing List 1.4.4 目录结构 1.4.5 文献 1.4.6 数据 1.5 ITK团体和服务 1.6 ITK的主要历史 2 安装 2.1 ITK设置 2.1.1 CMake准备 2.1.2 ITK设置 2.2 开始使用ITK 3 系统概述 3.1 系统组织 3.2 系统基本概念 3.2.1 范型编程 3.2