- 博客(34)
- 收藏
- 关注
RSS订阅
1原创 正序数组中位数（力扣刷题笔记）
本文是为了记录自己刷题的代码，以及之后优化所记的博客。修改到力扣里面，代码如下：总结：利用了python的内置函数，排序占用的时间空间都挺小的，所以算是比较耍赖的一种做法，但是可以运行，之后优化再看。...
2022-07-02 09:08:22
1899
原创 利用PCA进行数据压缩
本篇文章是为了理解PCA的基本原理来进行代码部分实现的，由于本篇博文只考虑了其中的原理，因此采用的特征向量都是维度较小的向量。
2022-06-29 00:44:36
576
原创 连续手语识别一些相关知识（1）
本系列是为了总结相关的一些论文中相关内容的笔记，绝大部分都是参考文末论文中的内容，博文仅用于自己之后对自己模型进行相应的优化，记录一部分相关的CSLR的知识，并提出一部分自己的问题，深知本人水平有限，所写之处如有错误，欢迎指出。1、关于CTC对应的尖峰现象如何处理以及对于CSL数据集为什么会出现这种现象。2、LSTM的机制是什么，在哪些地方可以用到。...
2022-06-28 21:24:54
1208
机器学习隐马尔可夫模型与PCA算法解析：评估问题、解码问题及数据降维方法综述
内容概要：本文主要介绍了隐马尔可夫模型（HMM）的三个基本问题及其算法流程，以及主成分分析（PCA）的方法和应用。对于HMM，文章详细解释了评估问题、解码问题和学习问题，并提供了前向算法和维特比算法的具体流程。评估问题是计算给定模型参数下观察序列出现的概率；解码问题是找出最有可能产生观察序列的状态序列；学习问题是估计模型参数使观察序列概率最大化。对于PCA，文章阐述了其作为统计方法用于降维、特征提取等目的，详细描述了从数据预处理到结果分析的完整流程，强调了其在减少数据维度的同时尽可能保留数据变异性的能力。;
适合人群：对机器学习、模式识别和数据处理有一定了解的研究人员和技术人员。;
使用场景及目标：①理解隐马尔可夫模型在语音识别、自然语言处理等领域的应用；②掌握前向算法和维特比算法的实现细节；③学习PCA在数据压缩、降维、特征提取和噪声过滤方面的应用；④提高对复杂数据集的理解和处理能力。;
阅读建议：由于本文涉及较多数学公式和算法流程，建议读者具备一定的数学基础和编程经验，在阅读过程中结合具体案例进行理解和实践，以加深对隐马尔可夫模型和PCA原理的认识。
2025-06-07
物理学基于欧拉-拉格朗日方程的物理问题转化为泛函极值问题求解：最优路径分析与摆线求解方法总结文档的核心内容
内容概要：本文详细介绍了将物理问题转化为泛函极值问题的方法，并通过具体实例展示了求解过程。文章首先设定目标，即找到连接两点的曲线，使物体沿该曲线无摩擦下滑的时间最短。基于能量守恒定律，构造了时间泛函，并引入欧拉-拉格朗日方程作为求解泛函极值的工具。接着，通过计算偏导数，构建并化简欧拉-拉格朗日方程，利用贝尔特拉米恒等式进一步简化方程。最后，通过参数化变量和积分求解，得出最优路径为摆线，即半径为特定值的圆沿轴滚动时圆周上一点的轨迹，从而完成从物理问题到数学问题的转化和求解过程。;
适合人群：具有高等数学基础，特别是对变分法、微分方程有一定了解的学生或研究人员。;
使用场景及目标：①理解如何将实际物理问题抽象成数学模型；②掌握欧拉-拉格朗日方程的应用方法；③学习使用贝尔特拉米恒等式简化方程求解。;
其他说明：本文不仅提供了理论推导，还给出了详细的求解步骤，便于读者跟随操作，加深对变分法及其应用的理解。建议读者在学习过程中结合相关数学知识，逐步理解每一步的推导过程。
2025-06-06
【数据库与数据处理】高级数据管理考试题目解析：涵盖名词解释、简答与设计题的详细参考答案
内容概要：本文档为《考试题目分模块参考答案》，详细介绍了高级数据管理考试的三个主要部分：名词解释、简答题和设计题。名词解释部分涵盖了结构数据模型、集合运算、批数据管理、分布式机器学习和联邦学习等概念。简答题部分探讨了SQL语言的核心功能与示例语句、分布式数据库与传统关系数据库的对比、数据仓库的核心特性以及图数据处理与属性图的计算场景。设计题部分提供了教务系统数据库设计和SQL增删改查语句示例，以及批数据处理（单词计数）、流数据处理（Flink实时统计）和图数据库构建（Neo4j）的实验设计。
适合人群：计算机科学及相关专业的本科生、研究生，尤其是即将参加高级数据管理课程考试的学生。
使用场景及目标：①帮助考生系统复习高级数据管理课程的核心知识点；②提供具体的实例和代码，加深对理论的理解和应用能力；③为考生准备考试提供全面的参考答案，确保复习方向正确。
阅读建议：建议考生按照文档结构逐步复习，先掌握名词解释，再深入理解简答题中的概念对比和应用场景，最后通过设计题的实际操作巩固所学知识。同时，结合实际案例和代码练习，提高解决实际问题的能力。
2025-06-06
控制理论基于变分法的最优控制问题求解：系统状态方程与性能指标最小化过程分析
内容概要：本文档详细介绍了变分法问题的求解过程，以一个具体的例子展示了如何求解最优控制问题。具体来说，设定了系统的状态方程及其边界条件，目标是最小化特定的性能指标。求解过程中，首先构建了哈密顿函数，然后推导出了协态方程和控制方程。接着，对正则方程进行了拉普拉斯变换，通过变换后的方程求解出关键变量，再经过反变换得到最终结果。最终，根据所得结果确定了最优控制策略。整个求解过程严谨，步骤清晰，充分展示了变分法在最优控制问题中的应用。
适合人群：具备高等数学基础，特别是熟悉微积分、线性代数以及控制系统理论的高年级本科生、研究生或相关领域的研究人员。
使用场景及目标：①帮助读者深入理解变分法的基本原理及其在最优控制中的具体应用；②为从事最优控制研究或实际工程应用的人员提供理论依据和技术支持。
阅读建议：由于文档涉及较多数学推导和变换，建议读者在阅读时准备好相关数学工具书，以便更好地理解和掌握其中的数学细节。同时，结合实际案例进行练习，有助于加深对变分法及其应用的理解。
2025-06-06
数学优化基于变分法的人造地球卫星姿态控制系统极值问题求解：状态方程与拉格朗日函数应用
内容概要：本文档主要介绍了变分法在解决特定数学问题中的应用，具体以人造地球卫星姿态控制系统的状态方程为例，详细阐述了如何通过构建拉格朗日函数并利用欧拉方程来求解带有等式约束的泛函极值问题。文中首先给出了该问题的状态方程、指标泛函及其边界条件，然后逐步推导出拉格朗日函数表达式，接着运用欧拉方程得到关键的微分方程，最后结合边界条件确定了待定常数，从而完成了对原问题的求解。;
适合人群：具有高等数学基础，尤其是熟悉微积分与微分方程理论的学生或研究人员。;
使用场景及目标：适用于教学演示、学术研究以及工程实际问题建模等领域，旨在帮助读者掌握变分法的基本原理及其在复杂系统优化中的具体应用方法。;
阅读建议：由于涉及较多抽象的数学概念和公式推导，建议读者提前复习相关基础知识，并结合具体实例进行理解和练习，必要时可借助参考资料加深认识。
2025-06-06
数学优化变分法求解固定起点受约束末端泛函极值问题：最优轨线与末端时刻计算方法
内容概要：本文主要探讨了变分法在解决特定泛函极值问题中的应用。文章通过一个具体的例子——求使性能指标J=[(1+x²)dt为极小的最优轨线x*(t)，设x(0)=1,x(tf)=C(t),C(t)=2-t,t未给定，详细地讲解了解题步骤。首先确定这是一个起点固定，t自由、末端受约束的泛函极值问题，并指出所给出的性能指标即是从x(0)到直线C(t)的弧长，要求该段弧长最短。接着利用欧拉方程求解，经过一系列数学推导与计算，最终得出最优轨线x*(t)=t+1以及最优末端时刻tf=1/2，同时求出了最优性能指标的具体数值。;
适合人群：对数学尤其是变分法有一定了解并希望深入研究其应用的高年级本科生或研究生。;
使用场景及目标：①理解变分法在求解泛函极值问题时的具体应用过程；②掌握通过欧拉方程求解最优轨线的方法；③学习如何处理起点固定、末端受约束类型的变分问题。;
其他说明：由于文档存在部分符号显示异常的情况，在实际学习过程中建议参照正规教材或文献进行补充学习，确保对公式和推导过程有正确的理解。
2025-06-06
机器学习AdaBoost算法原理及实现过程：迭代训练弱分类器构建强分类器以提升分类准确性
内容概要：本文详细介绍了AdaBoost（Adaptive Boosting）算法的基本原理和实现过程。AdaBoost是一种迭代的机器学习算法，主要用于分类问题，也可用于回归问题。其核心思想是通过组合多个弱分类器形成一个强分类器，从而提高分类准确性。文章首先阐述了AdaBoost的基本原理，即通过迭代训练弱分类器，并根据分类错误率调整样本权重，使后续分类器更关注之前被错误分类的样本。接着，详细描述了AdaBoost的实现过程，包括初始化样本权重、迭代训练弱分类器、计算错误率、计算分类器权重、更新样本权重以及组合弱分类器等关键步骤。最后，文章提到AdaBoost使用的数学工具如指数损失函数和加权投票机制，并指出其优点是对异常值不敏感、可处理多种类型的弱分类器、容易实现，但也存在对弱分类器性能依赖较大和对噪声数据敏感的问题。;
适合人群：对机器学习有一定了解，特别是对集成学习感兴趣的读者，包括但不限于算法工程师、数据科学家和相关领域的研究人员。;
使用场景及目标：①理解AdaBoost算法的工作机制及其在实际应用中的优势与局限；②掌握AdaBoost算法的具体实现步骤，能够自行实现或调用相关库进行模型训练。;
阅读建议：本文理论性较强，建议读者在阅读过程中结合具体实例或代码实现进行理解，同时注意AdaBoost算法的适用条件和潜在问题，以便更好地应用于实际项目中。
2025-06-06
数学优化基于变分法的泛函极值函数求解：构建拉格朗日函数与欧拉方程应用实例分析文档所属领域（
内容概要：本文档详细解答了如何求解泛函极值函数的问题。首先构建拉格朗日函数，接着应用欧拉方程进行求解，具体步骤包括计算偏导数并代入欧拉方程，简化后得出关键表达式。然后对表达式积分求解未知函数，引入积分常数。再利用给定的边界条件建立方程组，求解积分常数，最终确定极值函数的具体形式。最后通过计算二阶导数矩阵验证所求函数确实为极小值。整个过程严谨有序，每一步骤都有详细的数学推导与解释；
适合人群：具备高等数学基础，尤其是熟悉微积分和泛函分析理论的学生或研究人员；
使用场景及目标：①用于理解变分法在求解泛函极值问题中的具体应用；②作为考试复习资料或学术研究参考，帮助读者掌握变分法的核心思想与解题技巧；
阅读建议：读者应具备一定的数学分析基础，在阅读过程中建议同步进行演算练习，以加深对变分法概念和解题步骤的理解。
2025-06-06
【计算机视觉】SIFT算法中高斯差分的关键点检测与尺度不变性实现：原理、应用及优缺点分析
内容概要：文章深入解析了SIFT算法中的高斯差分（Difference of Gaussians，DoG）概念及其应用。首先介绍了高斯差分的基本概念，即通过计算不同尺度高斯模糊图像间的差值得到高斯差分图像。接着阐述了其在SIFT算法中的作用，主要是在多尺度空间中检测关键点，确保尺度不变性。构建尺度空间时，通过生成高斯金字塔实现，包括选择初始尺度、生成高斯图像和下采样等步骤。然后详细描述了高斯差分的计算方法，以及它在SIFT算法中检测极值点的具体流程，包括寻找极值点、去除边缘响应和精确定位。此外，还解释了高斯差分与拉普拉斯算子的关系，指出前者可近似后者效果。最后，讨论了高斯差分的优点（计算简单、尺度不变性和边缘增强）和缺点（对噪声敏感、计算量大），并通过可视化示例帮助理解。;
适合人群：计算机视觉领域研究人员、图像处理工程师以及对SIFT算法感兴趣的开发者。;
使用场景及目标：①理解SIFT算法中高斯差分的概念和原理；②掌握高斯差分在尺度空间中检测关键点的方法；③了解高斯差分的优缺点，以便在实际应用中做出合理选择。;
其他说明：阅读本文有助于深入理解SIFT算法的关键技术细节，特别是高斯差分在图像特征检测中的应用。建议读者结合实际案例和代码实现进行学习，以加深理解和掌握。
2025-06-06
数学领域变分法问题解法：性能指标极值求解与欧拉方程应用实例分析
内容概要：本文档主要介绍了变分法问题的具体解法，通过一个具体的例子来展示了解决变分法问题的步骤。以求解一个特定性能指标的极值问题为例，首先设定了性能指标以及边界条件，然后利用欧拉方程进行求解，最后根据边界条件确定解的具体形式，并判断出所求解为极小值。;
适合人群：对数学、物理或工程领域有一定了解，特别是正在学习或研究变分法及其应用的学生和研究人员。;
使用场景及目标：①帮助理解变分法的基本概念和求解方法；②为解决实际工程或物理问题提供理论基础和计算技巧。;
阅读建议：读者应具备一定的微积分和高等数学基础知识，在阅读过程中要注意理解每个步骤背后的数学原理，并尝试自己推导相关公式，以便更好地掌握变分法的核心思想。
2025-06-06
【计算机视觉】基于3D-2D点对应的相机标定算法：从线性方程构建到迭代优化的完整流程
内容概要：本文详细介绍了通过n组3D-2D点对应关系标定相机内外参数（K、R、T）的方法，以确保求得的解是在几何误差意义下的最优解。首先使用DLT方法根据点对应关系构建线性方程组，然后通过SVD等方法求解该方程组，得到初步的投影矩阵。接着从投影矩阵中分解出相机的内参矩阵和外参矩阵。为了提高精度，使用Bundle Adjustment技术最小化重投影误差，对相机参数进行优化。随后迭代更新相机的内参、外参及三维点位置，直至收敛到局部最小值。最后通过计算重投影误差评估标定结果，并输出优化后的相机内参矩阵、旋转矩阵和平移向量，整个过程确保了标定结果的准确性和可靠性。;
适合人群：从事计算机视觉、图像处理领域研究或开发的技术人员，尤其是有一定数学基础和编程经验的研究者。;
使用场景及目标：①适用于需要精确标定相机参数的项目，如三维重建、增强现实等；②目标是获得高精度的相机内参和外参，为后续的图像处理任务提供可靠的基础。;
阅读建议：此资源主要讲解了相机标定的具体步骤和原理，建议读者在理解每个步骤的基础上，结合实际案例进行实践操作，并注意各个步骤之间的逻辑联系。
2025-06-06
【计算机视觉】NNDR特征匹配算法原理与应用：提升图像特征点匹配准确性
内容概要：本文详细介绍了NNDR（Nearest Neighbor Distance Ratio）算法，这是一种用于评估特征匹配质量的方法，尤其适用于SIFT等局部特征描述符的匹配过程。NNDR通过比较最近邻和次近邻的距离比值来筛选出正确的匹配点，从而提高匹配精度。文章首先阐述了NNDR的基本原理，即正确匹配时最近邻距离应显著小于次近邻距离。接着，逐步讲解了NNDR的实现步骤：计算特征向量间的距离、确定最近邻和次近邻、计算距离比值、设定阈值并根据比值进行匹配过滤。此外，文中还指出了NNDR算法的优点，如简单有效、对噪声和遮挡有较好的鲁棒性，以及其局限性，包括阈值选择敏感性和计算成本较高。;
适合人群：计算机视觉领域研究人员、图像处理工程师以及对特征匹配算法感兴趣的高校学生。;
使用场景及目标：① 在图像特征匹配任务中，用于提高匹配的准确性和可靠性；② 作为研究或工程项目中的一部分，帮助理解NNDR算法的工作机制及其优缺点。;
阅读建议：读者应重点关注NNDR算法的具体实现步骤和应用场景，同时也要注意其局限性，以便在实际应用中合理选择和调整参数。
2025-06-06
【计算机视觉】SIFT算法详解：从输入图像到特征向量的完整流程及应用
内容概要：本文详细介绍了SIFT（Scale-Invariant Feature Transform）算子的原理及其具体实现步骤。SIFT算子是一种广泛应用在图像处理和计算机视觉领域的特征提取和描述算法。主要步骤包括：输入图像（通常为灰度图），构建多尺度空间极值点（通过构建高斯金字塔和DoG金字塔来检测局部极值点），关键点的精确定位（利用二次拟合提高关键点定位精度），关键点的主方向计算（基于梯度方向直方图确定关键点主方向以确保旋转不变性），描述子的构造（生成128维描述子向量，包含位置、尺度、方向和局部梯度信息），以及输出特征向量用于后续任务。SIFT算法因其尺度不变性、旋转不变性和光照不变性，在图像匹配、物体识别和三维重建等领域表现出色。;
适合人群：从事图像处理、计算机视觉相关工作的研究人员和技术人员，以及对该领域感兴趣的高校学生。;
使用场景及目标：①理解SIFT算法的工作流程及其数学原理；②掌握SIFT算子在图像特征提取中的具体应用方法；③为图像匹配、物体识别等实际项目提供理论支持。;
阅读建议：SIFT算法较为复杂，涉及到较多数学知识和图像处理技术，建议读者在阅读时结合具体实例进行理解，并通过编程实践加深对算法的理解。
2025-06-06
【计算机视觉】基于特征点匹配的三维重建技术：相机位姿求解与几何误差优化方法综述
内容概要：本文详细介绍了基于两幅图像和相机内参进行三维重建的过程。首先，确保特征点匹配的准确性，通过交叉检查和几何一致性检验验证匹配可靠性。接着，利用匹配的特征点对和相机内参，通过PnP算法求解相机的相对位姿，包括旋转和平移。然后，对匹配的特征点进行三角化，重建其在三维空间中的位置。为减少几何误差，采用捆绑调整优化重建结果，通过最小化重投影误差提高精度。最后，通过计算重投影误差和检查几何一致性验证重建结果的准确性。文中还提及了常用的数学工具和软件库，如线性代数库Eigen、NumPy，优化库Ceres Solver、SciPy，计算机视觉库OpenCV、PCL等。;
适合人群：计算机视觉领域研究人员、从事三维重建工作的工程师。;
使用场景及目标：①掌握从图像到三维重建的具体流程；②了解如何利用数学工具和软件库实现三维重建并优化几何误差。;
阅读建议：读者应具备一定的计算机视觉基础知识，熟悉线性代数和优化理论，以便更好地理解和实践文中的方法。
2025-06-06
【计算机视觉】图像分割算法详解：FAST关键点检测与BRIEF描述符提取在ORB算法中的应用及优化文档的主要内容
内容概要：本文详细介绍了ORB算法中的两个重要组成部分——FAST关键点检测和BRIEF描述符提取的具体细节。FAST算法是一种快速检测角点的方法，通过选择像素和邻域、强度比较、加速测试以及非极大值抑制四个主要步骤来检测图像中的关键点。BRIEF描述符提取则是通过选择点对、强度比较、构建描述符、旋转归一化和尺度归一化等步骤，为关键点提供紧凑且鲁棒的二进制描述。两者结合使得ORB算法在特征检测和匹配中表现出色，尤其适用于需要快速处理和高鲁棒性的应用场景。;
适合人群：对计算机视觉、图像处理有一定基础的研究人员和开发者。;
使用场景及目标：①深入理解FAST算法的关键点检测机制；②掌握BRIEF描述符的提取方法及其在ORB算法中的应用；③提高在实际项目中对ORB算法的应用能力，特别是在快速处理和高鲁棒性要求的场景下。;
阅读建议：本文内容较为技术性，建议读者具备一定的图像处理基础知识，在阅读过程中可以结合实际代码和实验进行理解和验证。
2025-06-06
【计算机视觉】背景差法与光流法在运动检测中的原理、步骤、优缺点及应用场景分析
内容概要：本文档介绍了两种常见的运动检测技术——背景差法和光流法。背景差法通过从当前帧中减去背景模型来检测前景运动物体，关键在于建立并更新背景模型，再经过前景检测、阈值处理和后处理步骤，优点是可以处理复杂的背景变化，但对快速变化的背景建模困难。光流法基于图像序列中像素运动轨迹来检测和估计运动物体，通过光流计算、运动矢量分析、阈值处理和后处理来获取物体运动的详细信息，如运动方向和速度，但对光照变化敏感且计算复杂度高。两种方法各有利弊，适用于不同场景，也可结合使用提高准确性。;
适合人群：计算机视觉领域研究人员、图像处理工程师及相关专业学生。;
使用场景及目标：①理解背景差法和光流法的基本原理与步骤；②掌握两种方法的应用场景、优缺点；③探索两种方法结合使用的可能性。;
其他说明：文档有助于深入理解运动检测技术，为实际项目选择合适的方法提供参考。
2025-06-06
【计算机视觉】运动检测算法综述：帧差法与背景减除法的技术原理及应用场景分析两种常用的运动检测
内容概要：文章介绍了计算机视觉中两种常见的运动检测算法——帧差法和背景减除法。帧差法通过比较连续帧间的像素强度变化来检测运动区域，具有实现简单、计算效率高的特点，但对光照变化敏感，难以处理慢速运动物体。背景减除法则基于背景模型，通过建立和更新背景模型并与当前帧对比，检测出前景运动物体，能适应光照变化和背景中的慢速变化，但背景建模和更新较为复杂。两种方法各有优劣，在实际应用中可根据需求和环境条件选择或结合使用。;
适合人群：对计算机视觉、图像处理感兴趣的初学者或有一定基础的研发人员。;
使用场景及目标：①了解运动检测的基本原理和技术手段；②掌握帧差法和背景减除法的具体实现步骤及其优缺点；③根据应用场景选择合适的运动检测算法或组合使用两种算法。;
其他说明：文中详细解释了每种算法的步骤，包括帧间差分、阈值处理、背景建模、更新和前景检测等过程，并指出了各自的应用范围和局限性，有助于读者全面理解运动检测技术。
2025-06-06
【计算机视觉】位姿图优化与捆绑调整优化：参数估计及数学工具应用详解
内容概要：文章详细介绍了位姿图优化和捆绑调整优化（Bundle Adjustment，简称BA）这两种计算机视觉中用于精确估计相机位姿和场景结构的方法。位姿图优化以SLAM系统中的位姿图作为输入，优化参数为相机的位姿（旋转和平移），用李群和李代数表示，通过最小化位姿间的相对误差来优化。捆绑调整优化的输入包括图像、特征点及其世界坐标位置、相机内外参，优化参数包括相机内外参和场景特征点位置，通过最小化重投影误差来优化。两者均涉及几何和代数结合，使用图优化库（如g2o、Ceres Solver）和数值优化算法（如Levenberg-Marquardt算法）等数学工具。;
适合人群：对计算机视觉、SLAM有一定了解的研究人员和工程师。;
使用场景及目标：①理解位姿图优化和捆绑调整优化的具体实现过程；②掌握这两种优化方法所使用的数学工具和算法，以便应用于实际项目中。;
阅读建议：由于本文涉及较多数学概念和专业术语，建议读者先熟悉相关基础知识，如SLAM、相机成像模型等，以便更好地理解文章内容。同时，可以结合实际案例进行学习，加深理解。
2025-06-06
【计算机视觉】基于SIFT与Canny的图像相对位姿求解：特征点匹配及几何约束分析
内容概要：本文介绍了在计算机视觉和图像处理领域中，利用两幅图像中的对应点求解相机相对位姿的方法。对于已知点的几何关系，可以通过特征点匹配、建立几何模型（如基础矩阵、本质矩阵或单应矩阵）并求解其参数来确定相对位姿。当已知相机内参矩阵（k1，k2）时，可以使用PnP算法求解位姿，但要求点不共线或共面以确保解的唯一性。若点共面，则提供的几何约束较少，难以唯一确定位姿，此时需额外信息辅助求解。总之，位姿求解涉及点的几何关系、相机内外参，点的分布特性影响求解结果的唯一性和准确性，实际应用需综合多种信息和算法提高精度和鲁棒性。;
适合人群：对计算机视觉、图像处理有一定了解的研究人员或工程师。;
使用场景及目标：①理解两幅图像间相对位姿求解的基本原理；②掌握不同条件下（如已知内参、点共面等）求解位姿的方法和限制。;
阅读建议：本文理论性较强，建议读者先熟悉基本概念如特征点匹配、几何模型等，再深入理解不同情况下的求解方法及其适用条件。
2025-06-06
【计算机视觉】图像分割算法综述：阈值法、区域生长法、分裂合并法及基于边缘的分割技术原理与应用
内容概要：本文详细介绍了几种常见的图像分割算法，包括阈值法、区域生长法、分裂合并法和基于边缘的分割方法等。阈值法通过设定全局或局部阈值将图像分为不同区域，适用于灰度差异明显的图像，但对光照变化较大的图像效果不佳。区域生长法从种子点出发，依据相似性准则逐步扩展区域，适合处理复杂纹理和多模态图像，但计算量大且受种子点选择影响。分裂合并法则采用递归方式先分割后合并，能够处理多种类型图像，不过计算复杂且易出现过分割现象。基于边缘的分割方法利用边缘检测算子（如Canny）识别图像边界，对具有清晰边缘的图像分割效果好，然而对噪声敏感，难以处理模糊或多边缘情况。此外还提及了一些其他高级分割技术，如基于图的分割和活动轮廓模型，它们灵活性高，但通常计算复杂且需要专业知识。;
适合人群：计算机视觉领域研究人员、图像处理工程师及相关专业学生。;
使用场景及目标：①帮助理解不同图像分割算法的工作原理及其优缺点；②为实际项目中选择合适的图像分割算法提供参考；③辅助学术研究，为深入探索图像分割技术奠定理论基础。;
其他说明：本文对各种图像分割算法进行了较为全面的介绍，但在具体应用时还需结合实际情况进行参数调整和优化。读者应根据自身需求选择最适合的算法，并考虑计算资源等因素。
2025-06-06
【计算机视觉】Canny边缘检测算子流程解析：计算梯度、非极大值抑制与双阈值边缘提取方法
内容概要：文章详细介绍了Canny边缘检测算子的完整流程，包括三个主要步骤：计算梯度、梯度非极大值抑制和双阈值提取边缘点。首先，使用Sobel算子计算图像在水平和垂直方向的梯度，并确定每个像素点的梯度幅值和方向。接着，在梯度非极大值抑制阶段，遍历梯度幅值图像，根据梯度方向确定邻域并保留局部最大值。最后，在双阈值提取边缘点阶段，设置高低阈值，将梯度幅值分类为强边缘点、弱边缘点或非边缘点，并通过8邻域检查进一步优化弱边缘点，最终得到完整的边缘图像。;
适合人群：计算机视觉、图像处理相关专业的学生及研究人员，以及对边缘检测技术感兴趣的工程技术人员。;
使用场景及目标：①用于理解和掌握经典的Canny边缘检测算法的具体实现步骤；②作为考试复习资料，帮助学生熟悉该算法的关键技术和应用。;
阅读建议：本文内容较为技术化，建议读者结合实际图像进行实验，通过编程实现各个步骤，以加深对算法的理解。同时，可以参考相关文献，了解Sobel算子和其他边缘检测方法的原理。
2025-06-06
基于SSD的香蕉目标检测系统
利用SSD网络进行目标的检测，采用的数据集为banana-detection，数据集下载网页为：http://d2l-data.s3-accelerate.amazonaws.com/banana-detection.zip,在利用数据集下载之后可以通过运行main.py来获取训练好后的网络模型ssd.pth，之后再调用predictor.py即可完成对于图片的基本目标检测。最终的结果将会展示在matploblib窗口中，将会用框将图片进行框选。
2023-02-10
基于pyautogui以及keyboard库的按键精灵
本代码是为了便于自己在没有鼠标的情况下进行原神的操作而写的，其中J键负责映射普通攻击一下，K键负责映射重击一下，L键则是匹配零命胡桃的元素战技A重跳写的。主要的思路就是采用keyboard库进行按键的捕获，然后利用pyautogui库进行相应的鼠标操作。
用法在文件中有，主要为管理员身份打开cmd，然后cd到当前工作目录，最后python运行文件即可，需要具备一定的安装库函数的能力。所需库函数为pyautogui以及keyboard库，操作连贯，延迟较低。亲测可以实现7次左右胡桃A重。在进行L按键控制的时候需要保证在落下之后再按L，这样可以防止按键失效。
2023-02-11
C++鼠标自动点击代码实现
代码主要通过C++调用click函数进行设计，主要思路是通过按键I控制鼠标开始点击，通过按键U停止鼠标连续点击。
在进行操作的过程中，如果是一些不影响鼠标点击权限的游戏，例如4399里的小游戏，或者是单机游戏，往往可以实现完整的自动点击，在进行操作的过程中，只有当命令行窗口被选中时才能正常控制鼠标的自动点击效果，如果说命令行窗口未被选中，那么按键对于自动点击案件的控制将会失效。
2023-02-01
windows下Socket通信，UDP，TCP实例
具体为SERVER端收取信息，CLIENT端发送信息，不断接受Client端的信息。
能学到的：
1. WINDOWS下socket通信的具体方式。（UDP+TCP）
2. WINDOWS下通信的具体类实现。
3. 基本的调用类的方法，以及SOCKET通信前后需要进行的SOCKET开启与关闭。
4. 完善的IP与PORT的相关处理方法。
2023-02-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人