摘要：
功能：对任意类型数组或多维图像进行滤波。用法：B = imfilter(A,H) B = imfilter(A,H,option1,option2,...) 或写作g = imfilter(f, w, filtering_mode, boundary_options, size_options)其中，f为输入图像，w为滤波掩模，g为滤波后图像。filtering_mode用于指定在滤波过程中是使用“相关”还是“卷积”。boundary_options用于处理边界充零问题，边界的大小由滤波器的大小确定。具体参数选项见下表：选项描述filtering_mode‘corr’通过使用相关来完成... 阅读全文
摘要：
Fspecial函数用于创建预定义的滤波算子，其语法格式为：h=fspecial(type)h=fspecial(type,parameters,sigma)参数type制定算子类型，parameters指定相应的参数，具体格式为：type='average'，为均值滤波，参数为n，代表模版尺寸，用向量表示，默认值为[3,3]。type='gaussian'，为高斯低通滤波器，参数有两个，n表示模版尺寸，默认值为[3,3]，sigma表示滤波器的标准差，单位为像素，默认值为 0.5.type='laplacian'，为拉普拉斯算子，参数为alph 阅读全文
摘要：
用save函数，可以将工作空间的变量保存成txt文件或mat文件等。比如: save peng.mat p j就是将工作空间中的p和j变量保存在peng.mat中.用load函数，可以将数据读入到matlab的工作空间中。比如：load peng.mat就是将peng.mat中的所有变量读入matlab工作空间中,当然我们也可以选择读入哪个变量.还有一个问题是我的mat文件中保存这一个变量,可是默认的读入matlab中后,还是保存时用的名字,但是,我想用一个新名字代替,怎么办?具体用程序描述如下:save peng.mat p那么load peng.mat之后，就可以在工作空间中看到p变量了。 阅读全文
摘要：
函数功能：两个数组间元素逐个计算的二值操作使用方法：C=bsxfun(fun,A,B)两个数组A合B间元素逐个计算的二值操作，fun是函数句柄或者m文件，也可以为如下内置函数：@plus 加@minus 减@times 数组乘《Simulink与信号处理》@rdivide 左除@ldivide 右除@power 数组幂乘@max 二值最大值@min 二值最小值@rem 余数@mod 求模@atan2 四象限反正切@hypot 平方和的平方根@eq 等于@ne 不等于@lt 小于www.iLoveMatlab.cn@le 小于或等于@gt 大于@ge 大于或等于@and 逻辑并@or 逻辑或@x 阅读全文
摘要：
nargin是用来判断输入变量个数的函数，这样就可以针对不同的情况执行不同的功能。通常可以用他来设定一些默认值，如下面的函数。例子，函数test1的功能是输出a和b的和。如果只输入一个变量，则认为另一个变量为1，如果两个变量都没有输入，则默认两者均为1。function y=test1(a,b)if nargin==0 a=1;b=1;elseif nargin==1 b=1;endy=a+b;在调用此函数时，如果写成y=nargin_test()，则输出y=2；如果写成y=nargin_test(3)，则输出y=4；如果写成y=nargin_test(4，5)，则输出y=9。另外有：vara 阅读全文
摘要：
在这一节里，我们将总结PCA,ZCA白化算法，并描述如何使用高效的线性代数库来实现它们。首先，我们需要确保数据的均值（近似）为零。对于自然图像，我们通过减去每个图像块(patch)的均值（近似地）来达到这一目标。为此，我们计算每个图像块的均值，并从每个图像块中减去它的均值。Matlab实现如下：avg = mean(x, 1); % 分别为每个图像块计算像素强度的均值。 x = x - repmat(avg, size(x, 1), 1);下面，我们要计算，如果你在Matlab中实现（或者在C++, Java等中实现，但可以使用高效的线性代数库），直接求和效率很低。不过，我们可以这样一... 阅读全文
摘要：
介绍我们已经了解了如何使用PCA降低数据维度。在一些算法中还需要一个与之相关的预处理步骤，这个预处理过程称为白化。举例来说，假设训练数据是图像，由于图像中相邻像素之间具有很强的相关性，所以用于训练时输入是冗余的。白化的目的就是降低输入的冗余性；更正式的说，我们希望通过白化过程使得学习算法的输入具有如下性质：（i）特征之间相关性较低；（ii）所有特征具有相同的方差。2D的例子下面我们先用前文的2D例子描述白化的主要思想，然后分别介绍如何将白化与平滑和PCA相结合。如何消除特征之间的相关性？在前文计算时实际上已经消除了输入特征之间的相关性。得到的新特征的分布如下图所示：这个数据的协方差矩阵如下：（ 阅读全文
摘要：
主成分分析（PCA）是一种能够极大提升无监督特征学习速度的数据降维算法。更重要的是，理解PCA算法，对实现白化算法有很大帮助，很多算法都先用白化算法作预处理步骤。假设你使用图像来训练算法，因为图像中相邻的像素高度相关，输入数据是有一定冗余的。具体来说，假如我们正在训练的16×16灰度值图像，记为一个256维向量，其中特征值对应每个像素的亮度值。由于相邻像素间的相关性，PCA算法可以将输入向量转换为一个维数低很多的近似向量，而且误差非常小。在我们的实例中，使用的输入数据集表示为，维度即。假设我们想把数据从2维降到1维。（实际应用中，我们也许需要把数据从156维降到50维；在这里使用低维 阅读全文