图像处理之基础---方差、标准差、协方差基本概念

方差:方差是变量与其平均值的平方和的算术平均值,例如:

有一组数据{4,5,6,7}, 平均值为:(4+5+6+7)/4=22/4=5.5

其方差为:[(4-5.5)2+(5-5.5)2+(6-5.5)2+(7-5.5)2]/4

标准差:方差的开2次方

例如上面那组数据的标准差为:{[(4-5.5)2+(5-5.5)2+(6-5.5)2+(7-5.5)2]/4}0.5

协方差:

概率论统计学中,协方差用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况,即当两个变量是相同的情况。

    期望值分别为E(x) = μ 与 E(y) = ν 的两个实数随机变量xy之间的协方差定义为:

   

    其中,E是期望值。它也可以表示为:

   

    直观上来看,协方差表示的是两个变量总体的误差,这与只表示一个变量误差的方差不同。

其中E(x)的计算方法例如:

有两组数据X和Y,{X1=3,X2=4,X3=8},{Y1=2,Y2=5,Y3=5}

         E(XY)=(3*2+4*5+8*5)/3=66/3=22 

http://www.cnblogs.com/cvlabs/archive/2010/03/26/1696978.html需要注意的是协方差矩阵中的每一个元素是表示的随机向量X的不同分量(特征)之间的协方差,而不是不同样本之间的协方差http://blog.sina.com.cn/s/blog_49d1bc3601011qei.html
时间: 2024-08-09 04:48:13

图像处理之基础---方差、标准差、协方差基本概念的相关文章

图像处理之基础---详解协方差与协方差矩阵

协方差的定义 对于一般的分布,直接代入E(X)之类的就可以计算出来了,但真给你一个具体数值的分布,要计算协方差矩阵,根据这个公式来计算,还真不容易反应过来.网上值得参考的资料也不多,这里用一个例子说明协方差矩阵是怎么计算出来的吧. 记住,X.Y是一个列向量,它表示了每种情况下每个样本可能出现的数.比如给定 则X表示x轴可能出现的数,Y表示y轴可能出现的.注意这里是关键,给定了4个样本,每个样本都是二维的,所以只可能有X和Y两种维度.所以 用中文来描述,就是: 协方差(i,j)=(第i列的所有元素

方差、协方差、协方差矩阵的概念及意义

期望 离散型随机变量的一切可能的取值xi与对应的概率Pi(=xi)之积的和称为该离散型随机变量的数学期望(设级数绝对收敛),记为 E(x).随机变量最基本的数学特征之一.它反映随机变量平均取值的大小.又称期望或均值. 若随机变量X的分布函数F(x)可表示成一个非负可积函数f(x)的积分,则称X为连续性随机变量,f(x)称为X的概率密度函数(分布密度函数). 方差 方差是各个数据与平均数之差的平方的平均数.在概率论和数理统计中,方差(英文Variance)用来度量随机变量和其数学期望(即均值)之间

标准差、方差、协方差的简单说明

在一个样本中,样本的无偏估计的均值.标准差和方差如下: 对于单个变量,它的协方差可以表示为: 其实它即是方差,所以呢,当只有一个变量时,方差是协方差的一种特殊情况: 举例:有一个变量 X的样本为:0.2, 0.3,0.4,0.3,0.5:求自身的协方差(即方差) 对于两个变量,协方差可以表示为: 它表示了两个变量的相关性:通俗一点说,当X变大时,Y是否会变大 ,如果正相关,则协方差大于0,如果不负相关,则协方差小于0: 举例:有两个变量 ,X的样本为:0.2, 0.3,0.4,0.3,0.5:y

标准差、方差、协方差的区别

公式: 标准差: 方差: 协方差: 意义: 方差(Variance):用来度量随机变量和其数学期望(即均值)之间的偏离程度. 标准差:方差开根号.标准差和方差一般是用来描述一维数据的. 协方差:衡量两个变量之间的变化方向关系.协方差只是说明了线性相关的方向,说不能说明线性相关的程度,若衡量相关程度,则使用相关系数.协方差就是这样一种用来度量两个随机变量关系的统计量.而方差是协方差的一种特殊情况,即当两个变量是相同的情况. 当 cov(X, Y)>0时,表明 X与Y 正相关: 当 cov(X, Y

均值、方差、协方差等定义与基本运算

一.均值 定义: 设P(x)是一个离散概率分布函数自变量的取值范围是.那么其均值被定义为: 设P(x)是一个连续概率分布函数 ,那么他的均值是: 性质: 1.线性运算: 期望服从先行性质,因此线性运算的期望等于期望的线性运算: 我们可以把它推广到任意一般情况: 2.函数的期望: 设f(x)是x的函数,则f(x)的期望为: 离散: 连续: 3.乘积的期望: 一般来说,乘积的期望不等于期望的乘积,除非变量相互独立.因此,如果x和y相互独立,则 期望的运算构成了统计量的运算基础,因为方差.协方差等统计

方差、协方差及关联性

最近在学习R语言,其中涉及涉及到关联分析时碰到的一些函数,其中有三个彼此关联的函数: var:计算某个变量的方差 cov:计算两个变量的协方差 cor:计算两个变量的相关性 这些概念的理论学校里肯定都学过,不过现在确实是一点也想不起来了,而且更重要的是当时也不知道为什么要有这些统计概念.然后现在只得在度娘上搜了一下,共找到期望.方差.标准差.协方差和相关性. 期望值 在概率论和统计学中,一个离散性随机变量的期望值(或数学期望.或均值,亦简称期望,物理学中称为期待值)是试验中每次可能结果的概率乘以

图像处理之基础---卷积,滤波,平滑

/*今天师弟来问我,CV的书里到处都是卷积,滤波,平滑……这些概念到底是什么意思,有什么区别和联系,瞬间晕菜了,学了这么久CV,卷积,滤波,平滑……这些概念每天都念叨好几遍,可是心里也就只明白个大概的意思,赶紧google之~ 发现自己以前了解的真的很不全面,在此做一些总结,以后对这种基本概念要深刻学习了~*/ 1.图像卷积(模板) (1).使用模板处理图像相关概念: 模板:矩阵方块,其数学含义是一种卷积运算. 卷积运算:可看作是加权求和的过程,使用到的图像区域中的每个像素分别于卷积核(权矩阵)

图像处理之基础---卷积模板简介

1.使用模板处理图像相关概念:       模板:矩阵方块,其数学含义是一种卷积运算. 卷积运算:可看作是加权求和的过程,使用到的图像区域中的每个像素分别与卷积核(权矩阵)的每个元素对应相乘,所有乘积之和作为区域中心像素的新值. 卷积核:卷积时使用到的权,用一个矩阵表示,该矩阵与使用的图像区域大小相同,其行.列都是奇数,是一个权矩阵. 卷积示例: 假设3 * 3的像素区域R与卷积核G分别为: 则卷积运算为: R5(中心像素)=R1G1 + R2G2 + R3G3 + R4G4 + R5G5 +

c++ 基础学习: 左值 概念cocos2d-x3.0的实际应用

左值:概念baidu 1.2.6.2 与Cocos2d-x内存管理的结合 在2.x的使用场景中,CCArray和CCDictionary通常被分配在堆上,我们不得不需要考虑在适当的地方释放其内存.新的容器类不再继承自Ref(2.x中的CCObject),新的容器类通常应该被分配在栈上来使用,这简化了内存管理,我们应该将精力放在容器元素而不是容器本身的内存管理上. Vector中的T和Map<K,V>中的V必须是Ref类型,因为它们需要结合Cocos2d-x的内存管理方式一起工作.这简化了容器中