摘要：
根据前面所做的笔记，卷积神经网络随随便便就有那么多参数，如果我训练集过少的话，会造成过拟合的问题。那如何在训练数据过少的情况下来使我的效果变得好呢？ 举个例子，比如说我区分猫狗的训练数据有10万个，利用这10玩个数据我训练出来的效果特别好。但我区分老虎和狮子的训练集只有1万个，我能不能达到像区分猫狗 阅读全文
摘要：
卷积神经网络其实和普通的神经网络的区别在于它的输入不再是一维的向量了，而是一个三维的向量，为什么是三维的呢？这是因为图片有三个通道R,G,B。那么输出是什么呢？输出可以认为是一维的向量，比如说那图片分类举例，分为K类的话，输出就是K维的向量。 卷积神经网络的基本结构如下： 如上图所示，第一层为输入， 阅读全文
摘要：
图像中的卷积，是离散的，这不同于我们数学中的卷积公式，数学中的卷积公式大部分都是连续的，但是也有离散的卷积公式，学过数字信号处理的应该都知道。这一点是我之前不明白的地方。 正如上图所示，大的方框表示原图像的像素，中间小的3*3的方框为卷积模板，最右边的方框是做完卷积之后的输出图像。 那么，为什么要对 阅读全文
摘要：
针对前几次做的笔记，发现训练集太少的情况下，识别率太低。有可能降到50%的情况。后做了几次改进，不过这几次改进还是在训练集只有100个，测试集10个的情况下，识别率有了一点提高，能稳定在60%，70%。可能如果加大训练集的话，识别率会有很大提升。 具体的改进有以下几点： （1）增加训练次数： 即把整 阅读全文
摘要：
1. 矩的概念 图像识别的一个核心问题是图像的特征提取，简单描述即为用一组简单的数据（图像描述量）来描述整个图像，这组数据越简单越有代表性越好。良好的特征不受光线、噪点、几何形变的干扰。图像识别发展几十年，不断有新的特征提出，而图像不变矩就是其中一个。 矩是概率与统计中的一个概念，是随机变量的一种数 阅读全文
摘要：
1 #include<opencv2/opencv.hpp> 2 #include<iostream> 3 4 using namespace std; 5 using namespace cv; 6 7 int main() 8 { 9 Mat image(600, 600, CV_8UC3); 阅读全文
摘要：
凸包的含义： 在二维平面上给定点集，凸包就是将最外层的点连接起来构成的凸多边形。并且这个凸多边形能包含点集中所有的点。OPENCV中： convexHull函数用于寻找图像点集中的凸包。它有六个输入参数。 第一个参数：输入的二维点集第二个参数：输出的凸包。为数组类型的hull第三个参数：bool类型 阅读全文
摘要：
findContours(): 第二个参数为一个检测到的轮廓，函数调用后的运算结果都放在这里，每个轮廓存储为1个点向量，用point类型的vector表示。 第三个参数表示轮廓数量，包含了许多元素。每个轮廓对应4个hierarchy元素hierarchy[i][0]——hierarchy[i][3] 阅读全文
摘要：
承接上一节，神经网络需要训练，那么训练集来自哪？测试的数据又来自哪？ 《python神经网络编程》一书给出了训练集，识别图片中的数字。测试集的链接如下： https://raw.githubusercontent.com/makeyourownneuralnetwork/makeyourownneu 阅读全文
摘要：
进行霍夫圆变换中有一个API:HoughCircles()。 第五个参数为double类型的minDist(),为霍夫变换检测到的圆的圆心之间的最小距离，即让算法能明显区分的两个不同圆之间的最小距离。这个参数如果设置太小，多个相邻的圆可能被错误的检测成了一个重合的圆。反之，如果设置太大，某些圆就不能 阅读全文