2016年12月8日
摘要: LDA: 有监督降维 Scikit(摘录): Linear DiscriminantAnalysis (LDA) tries to identify attributes that account for the most variance between classes. (类间变化最大)... 阅读全文
posted @ 2016-12-08 16:49 ImageDC 阅读(192) 评论(0) 推荐(0) 编辑
  2016年10月27日
摘要: 大字标明引用,同时表达感谢http://blog.csdn.net/u011718701/article/details/51452011。 引用博客中使用了vs2012,所以一个细小的差别在于:当你打开vlfeat/make/nmake_helper.mak文件时,有关版本号需要自己输入,... 阅读全文
posted @ 2016-10-27 15:03 ImageDC 阅读(127) 评论(0) 推荐(0) 编辑
  2016年8月21日
摘要: 1. scikit 的配置 本人配置环境是python3.5, 配置教程参考官网安装教程(http://scikit-learn.org/stable/install.html),其实就是一句命令。但是注意需要已经安装numpy matplot scipy这三个库,为了安装这三个库,参考博客ht... 阅读全文
posted @ 2016-08-21 16:34 ImageDC 阅读(106) 评论(0) 推荐(0) 编辑
  2016年7月14日
摘要: 1----------- In [8]: x = 5In [9]: eval('x+1')Out[9]: ____ 答案:6 2------------divmod divmod(a,b):取a除以b的商和余数,功效等价于(a//b, a%b); 3------------enum... 阅读全文
posted @ 2016-07-14 16:08 ImageDC 阅读(209) 评论(0) 推荐(0) 编辑
  2016年4月16日
摘要: 本文主要讲一种稀疏表示下的特征相似度度量方法,叫做SIS Measure,该度量方法结合NBNN可以完成目标分类的任务,且对特征空间非聚集的特征分类有很好的效果。相关实验结果可参考文献[2]。本文主要是实现该方法时的一些简单的心得和代码,欢迎交流。 1. 实验步骤 1.1. NBNN ... 阅读全文
posted @ 2016-04-16 10:49 ImageDC 阅读(589) 评论(0) 推荐(0) 编辑
  2016年3月19日
摘要: 2.MP算法 作为一类贪婪算法,MP算法的基本思路是在迭代中不断找寻最有测量矩阵列来逼近被表示向量,继而寻得最优的稀疏逼近,使得x与y的残差最小。对于这个算法,最直观的问题有两个:1.如何选择逼近度最高的——如何衡量逼近度,算法如何执行(比如遍历)?2.x的稀疏度由迭代次数决定,而逼近度... 阅读全文
posted @ 2016-03-19 20:41 ImageDC 阅读(319) 评论(0) 推荐(0) 编辑
  2015年10月8日
摘要: 阅读全文
posted @ 2015-10-08 19:54 ImageDC 阅读(240) 评论(0) 推荐(0) 编辑
  2015年8月16日
摘要: 代码: clear all;close all;clc;im = imread('yy.jpg');imr = im(:,:,1);img = im(:,:,2);imb = im(:,:,3);[m,n] = size(imr);% set the parametersk = 4;ti... 阅读全文
posted @ 2015-08-16 16:49 ImageDC 阅读(232) 评论(0) 推荐(0) 编辑
  2015年7月22日
摘要: //随时更新 Chapter 2 对象是类的特定实例,而类定义了数据的存储和使用方式。 #include int main() { using namespace std; ... 阅读全文
posted @ 2015-07-22 18:58 ImageDC 阅读(104) 评论(0) 推荐(0) 编辑
  2015年4月19日
摘要: 1. 3D 数据获取: 前提:有一序列的二维数据,如1.dcm,……,n.dcm。 方法1:使用Amiri软件将n个二维数据读入,再另存为nii数据即可。 方法2:使用matlab读入该序列数据,在用3维数据存储。 2. 3D 数据读入到Matlab 前提:有nii文件 方法:step1.下载n... 阅读全文
posted @ 2015-04-19 11:52 ImageDC 阅读(320) 评论(0) 推荐(0) 编辑