视觉处理常用的一些概念和微小算法

~ false positives 虚警率

~ false negative 漏检率

~ recall 检出率/查全率

~ precision 正确率

~ intergral images 积分帧(算法),该算法能够快速算出区块的灰度和

An integral image helps you rapidly calculate summations over
image subregions. Every pixel in an integral image is the summation
of the pixels above and to the left of it.

To calculate the summation of a subregion of an image, you can
use the corresponding region of its integral image. For example, in
the input image below, the summation of the shaded region becomes
a simple calculation using four reference values of the rectangular
region in the corresponding integral image. The calculation becomes,
46 – 22 – 20 + 10 = 14. The calculation subtracts the
regions above and to the left of the shaded region. The area of overlap
is added back to compensate for the double subtraction.

In this way, you can calculate summations in rectangular regions
rapidly, irrespective of the filter size.

时间: 2024-09-30 18:17:36

视觉处理常用的一些概念和微小算法的相关文章

转: 音频开发中常用到的概念

在音频开发中,下面的这几个概念经常会遇到. (1) 采样率(samplerate) 采样率,注意,目前44100Hz是唯一可以保证兼容所有Android手机的采样率. 采样就是把模拟信号数字化的过程,不仅仅是音频需要采样,所有的模拟信号都需要通过采样转换为可以用0101来表示的数字信号,示意图如下所示: 蓝色代表模拟音频信号,红色的点代表采样得到的量化数值. 采样频率越高,红色的间隔就越密集,记录这一段音频信号所用的数据量就越大,同时音频质量也就越高. 根据奈奎斯特理论,采样频率只要不低于音频信

ES6/ES2015常用知识点和概念

越来越多的开源库开始使用ES2015来构建代码了,大家知道ES6=ES2015,ES6在2015年被ECMAScript标准化组织approve,各大浏览器厂商要完全支持ES6的强大功能还须一些时日,对于喜爱新尝试的同学难道只有干等吗?幸运的是有了babel,traceur等transpiler的帮助,我们根本不用等待浏览器原生支持ES6才开始使用新技术了!其实babel做的事情很简单,他就是把es6的代码转换成浏览器认识的ES5代码.简单举一个例子,比如ES6中引入的语言原生支持模块的关键字i

小程序学习2 常用小程序概念以及代码实现

1. 数据的绑定以及样式和事件的绑定,和if else的使用 ``` <view class="usermotto" bindtap='clickMe'> <text class="user-motto">{{motto}}</text> <text wx:if="{{isShow}}">show</text> <text wx:else>aaaa</text>

数据挖掘系列(1)关联规则挖掘基本概念与Aprior算法

整理数据挖掘的基本概念和算法,包括关联规则挖掘.分类.聚类的常用算法,敬请期待.今天讲的是关联规则挖掘的最基本的知识. 关联规则挖掘在电商.零售.大气物理.生物医学已经有了广泛的应用,本篇文章将介绍一些基本知识和Aprori算法. 啤酒与尿布的故事已经成为了关联规则挖掘的经典案例,还有人专门出了一本书<啤酒与尿布>,虽然说这个故事是哈弗商学院杜撰出来的,但确实能很好的解释关联规则挖掘的原理.我们这里以一个超市购物篮迷你数据集来解释关联规则挖掘的基本概念: TID Items T1 {牛奶,面包

关联规则挖掘(基本概念和Apriori算法)

关联规则挖掘的研究一直是数据挖掘领域的一个重要方向. 关联规则挖掘的目的是从大型事务数据库中挖掘出不同项目之间的关联关系 ,找出潜在的行为模式. 关联规则概念是由 Agrawal 等人在1993年率先提出的, 并随后提出了Apriori算法. 基本概念: 定义1  关联规则挖掘的事务数据库记为TDB,TDB={T1,T2,…,Tk},Tk={i1,i2,…,ip},Tk称为事务,ip称为项目. 定义2  设I={i1,i2,…,im}是TDB中全体项目组成的集合.每一个事务T是I中一组项目的集合

机器学习最常用优化之一——梯度下降优化算法综述

转自:http://www.dataguru.cn/article-10174-1.html 梯度下降算法是机器学习中使用非常广泛的优化算法,也是众多机器学习算法中最常用的优化方法.几乎当前每一个先进的(state-of-the-art)机器学习库或者深度学习库都会包括梯度下降算法的不同变种实现.但是,它们就像一个黑盒优化器,很难得到它们优缺点的实际解释.这篇文章旨在提供梯度下降算法中的不同变种的介绍,帮助使用者根据具体需要进行使用. 这篇文章首先介绍梯度下降算法的三种框架,然后介绍它们所存在的

二分图匹配的重要概念以及匈牙利算法

算是图论系列中的第一个算法,努力. 写博客时看到的:  http://www.renfei.org/blog/bipartite-matching.html 二分图: 简单来说,如果图中点可以被分为两组,并且使得所有边都跨越组的边界,则这就是一个二分图.准确地说:把一个图的顶点划分为两个不相交集 U 和V ,使得每一条边都分别连接U.V中的顶点.如果存在这样的划分,则此图为一个二分图.二分图的一个等价定义是:不含有「含奇数条边的环」的图.图 1 是一个二分图.为了清晰,我们以后都把它画成图 2

技术积累--常用的文本分类的特征选择算法

常采用特征选择方法.常见的六种特征选择方法: 1)DF(Document Frequency) 文档频率 DF:统计特征词出现的文档数量,用来衡量某个特征词的重要性 2)MI(Mutual Information) 互信息法 互信息法用于衡量特征词与文档类别直接的信息量. 如果某个特征词的频率很低,那么互信息得分就会很大,因此互信息法倾向"低频"的特征词. 相对的词频很高的词,得分就会变低,如果这词携带了很高的信息量,互信息法就会变得低效. 3)(Information Gain) 信

JVM概念以及常用设置

DAY 1 Jvm- java虚拟机 类加载子系统 加载class文件到方法区 方法区 存放类信息 常量信息 常量池信息 辅助堆栈的永久区,解决堆栈信息的产生,是先决条件 3.  Java堆(重要) 虚拟机启动的时候建立 最主要的内存工作区域 几乎所有的对象实例都存放到Java堆中,堆内存是所有的线程共享的 解决数据存储的问题 4.    直接内存 Java的NIO库允许java程序使用直接内存,从而提高性能,速度优于JAVA堆 读写频繁可考虑使用 5. Java栈 线程创建的时候被创建 保存局