标签: 模式识别

相关帖子	版块	作者	回复/查看	最后发表

模式识别讲义教程	数模资源交流	小石头stone 2011-10-14	7 2670	潇湘夜雨123456 2016-12-16 22:12
神经网络、模式识别等方面程序共享	Matlab 人工智能模式识别神经网络	sheji520 2012-5-10	0 7	sheji520 2012-5-10 17:07
MATLAB的GUI的案例共享	Matlab GUIDE	sheji520 2012-5-10	0 5	sheji520 2012-5-10 17:09
【MATLAB工具箱大全】信号处理,人工智能,优化计算,混沌分析	Matlab 人工智能模式识别神经网络	卓越成就梦想 2012-5-28	54 15940	2308491897 2021-4-16 12:55
模式识别与智能计算的MATLAB实现	Matlab 资料库视频教程讲义代码	khafi 2012-7-12	5 2981	zhmzh 2014-1-22 09:47
模式识别与智能计算	全国大学生数学建模竞赛(CUMCM)	heshuangping 2012-7-16	14 4886	LYJA 2014-9-2 22:28
vc++数字图像模式识别技术详解光盘内容	全国大学生数学建模竞赛(CUMCM)	heshuangping 2012-7-16	3 2249	leslie_vv 2014-8-12 20:27
模式识别工具箱用的是什么神经网络	神经网络与机器学习	狂人gs 2012-8-24	1 1771	wssl103050 2012-8-24 12:30
Matlab svm工具箱简易教程10分钟学会速成！	全国大学生数学建模竞赛(CUMCM)	xieyujian48 2012-8-30	30 10367	洪洞大槐树 2016-4-11 22:53
A题是道非常地道的模式识别题	全国大学生数学建模竞赛(CUMCM)	KuaitouKid 2012-9-9	0 2238	KuaitouKid 2012-9-9 01:11
神经元的形态分类和识别	2010第七届全国高校研究生数学建模竞赛优秀论文	madio 2012-9-15	55 13111	连续可位 2014-4-14 23:55
4/10	数模经验分享	gt93 2013-8-19	0 1229	gt93 2013-8-19 22:46
关于神经网络模式识别的一个疑问 - [悬赏 8 点体力]	神经网络与机器学习	数学不烦 2013-8-20	0 1437	数学不烦 2013-8-20 19:02
PRSD Studio模式分类器研究	MATLAB论坛	susanhans 2014-3-3	0 1112	susanhans 2014-3-3 16:11
《模式识别与智能计算：MATLAB技术实现(第2版)》	数模资源交流	深V礼 2014-10-22	1 1233	活出另一个我 2014-10-22 10:56
模式识别讨论课	美国大学生数学建模竞赛(MCM/ICM)	建不了的模。 2014-12-22	14 1612	潇湘夜雨123456 2016-12-16 21:33
【来来来】宇泛智能科技招聘模式识别工程师	数模求职招聘	AnjingSu 2015-1-12	0 6659	AnjingSu 2015-1-12 10:52
沈阳海纳科技(大连楼兰科技股份)，诚聘“图像处理及模式识别”方向算法工程师	Matlab 图像处理视频流处理	luzhenbo 2015-5-27	0 909	luzhenbo 2015-5-27 01:56

更多...

相关日志

分享计算机视觉方向的一些顶级会议和期刊: sdccumcm 2013-3-1 22:56; 计算机视觉方向的一些顶级会议和期刊 2009-12-01 15:26 计算机视觉方面的三大国际会议是ICCV, CVPR和ECCV，统称之为ICE。 ICCV的全称是International Comference on Computer Vision，正如很多和他一样的名字的会议一行，这样最朴实的名字的会议，通常也是这方面最nb的会议。ICCV两年一次，与ECCV正好错开，是公认的三个会议中级别最高的。它的举办地方会在世界各地选，上次是在北京，下次在巴西，2009在日本。iccv上的文章看起来一般都比较好懂，我是比较喜欢的。 CVPR的全称是Internaltional Conference on Computer Vision and Pattern Recogintion。这是一个一年一次的会议，举办地从来没有出过美国，因此想去美国旅游的同学不要错过。正如它的名字一样，这个会上除了视觉的文章，还会有不少模式识别的文章，当然两方面的结合自然也是重点。 ECCV的全称是Europeon Conference on Computer Vision，是一个欧洲的会议。虽然名字不是International，但是会议的级别不比前面两个差多少。欧洲人一般比较看中理论，但是从最近一次会议来看，似乎大家也开始注重应用了，oral里面的demo非常之多，演示效果很好，让人赏心悦目、叹为观止。不过欧洲的会有一个不好，就是他们的人通常英语口音很重，有些人甚至不太会说英文，所以开会和交流的时候，稍微有些费劲。总的来说，以上三个会议是做计算机视觉人必须关注的会议，建议每一期的oral都要精读，poster调自己相关的仔细看看。如果有好的进一步的想法，可以马上发表，因为他们已经是最新的了，对他们的改进通常也是最新的。同时如果你做了类似的工作，却没有引用这些会议的文章，很有可能会被人指出综述部分的问题，因为评审的人一般都是牛人，对这三个会议也会很关注的。计算机视觉、IP、AI方向的一些顶级会议和期刊 Computer Vision Conf.: Best: ICCV , Inter. Conf. on Computer Vision CVPR , Inter. Conf. on Computer Vision and Pattern Recognition Good: ECCV , Euro. Conf. on Comp. Vision ICIP , Inter. Conf. on Image Processing ICPR , Inter. Conf. on Pattern Recognition ACCV , Asia Conf. on Comp. Vision Jour.: Best: PAMI , IEEE Trans. on Patt. Analysis and Machine Intelligence IJCV , Inter. Jour. on Comp. Vision Good: CVIU , Computer Vision and Image Understanding PR , Pattern Reco. Network Conf.: ACM/SigCOMM ACM Special Interest Group of Communication.. ACM/SigMetric 这个系统方面也有不少的 Info Com 几百人的大会，不如ACM/SIG的精。 Globe Com 这个就很一般了，不过有时候会有一些新的想法提出来。 Jour.: ToN (ACM/IEEE Transaction on Network) A.I. Conf.: AAAI: American Association for Artificial Intelligence ACM/SigIR: 这个是IR方面的，可能DB/AI的人都有 IJCAI: International Joint Conference on Artificial Intelligence NIPS: Neural Information Processing Systems ICML: International Conference on Machine Learning Jour.: Machine Learning NEURAL COMPUTATION: 这个的影响因子在AI里最高，2000年为1.921 ARTIFICIAL INTELLIGENCE: 1.683(2000年的数据，下同) PAMI: 1.668 IEEE TRANSACTIONS ON FUZZY SYSTEMS: 1.597 IEEE TRANSACTIONS ON NEURAL NETWORKS: 1.395 AI MAGAZINE: 1.044 NEURAL NETWORKS: 1.019 PATTERN RECOGNITION: 0.781 IMAGE AND VISION COMPUTING: 0.616 IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING: 0.465 APPLIED INTELLIGENCE: 0.268 OS,System Conf.: SOSP: The ACM Symposium on Operating Systems Principles (2年一次，想中一篇太难了) OSDI: USENIX Symposium on Operating Systems Design and Implementation Database Conf.: ACM SIGMOD VLDB:International Conference on Very Large Data Bases ICDE:International Conference on Data Engineering //这三个会议并称为数据库方向的三大顶级会议 Security Conf.: IEEE Security and Privacy CCS: ACM Computer and Communications Security NDSS (Network and Distributed Systems Security) Web Conf.: WWW(International World Wide Web Conference) Theory Conf.: STOC FOCS EDA Conf.: Best: DAC: IEEE/ACM Design Automation Conference ICCAD: IEEE International Conference on Computer Aided Design Good: ISCAS: IEEE International Symposium on Circuits And Systems ISPD: IEEE International Symposium on Physical Design ICCD: IEEE International Conference on Computer Design ASP-DAC: European Design Automation Conference E-DAC: Asia and South Pacific Design Automation Conference 备注：x-DAC有很多，是地区性最高级DAC会议，上面两个影响最广。而且每年收录的论文大部分还是来自美国大学/研究所。 Graphics Conf.: Best: Siggraph: ACM SigGraph Good: Euro Graph Jour.: IEEE(ACM) Trans. on Graphics IEEE Trans. on Visualization and Computer Graphics CAD Jour.: CAD CAGD SE conf.: ICSE The International Conference on Software Engineering FSE The Foundations of Software Engineering Conferences ICASE IEEE International Conference on Automated Software Engineering COMPSAC International Computer Software and Applications Conferences ESEC The European Software Engineering Conferences Jour.: SEN ACM SIGSOFT Software Engineering Notes TSE IEEE Transactions on Software Engineering ASE Automated Software Engineering SPE Software-Practice and Experience 部分ai刊物影响因子05 SCI IF 2005 2004 JMLR 4.027 5.952 PAMI 3.810 4.352 TOIS 4.529 4.097 AIJ 2.638 3.570 MLJ 3.108 3.258 ECJ 1.568 3.206 TEvC 3.257 3.688 IJCV 3.657 2.914 DMKD 2.105 2.800 NCJ 2.591 2.364 TNN 2.205 2.178 PR 2.153 2.176 Alife 1.857 2.150 JASIST 1.583 2.086 JAIR 2.247 2.045 CIJ 0.850 1.923 NNJ 1.665 1.736 TFS 1.701 1.373 TKDE 1.758 1.243 IRJ 2.036 1.231 AIIM 1.882 1.124 TSMCB 1.108 1.052 AICom 0.612 0.738 AIRev 0.868 0.562; 0 个评论

分享对图像的直方图进行变换操作: marchboy 2012-4-29 14:13; 对图像的直方图进行变换操作前言图像增强处理技术一直是图像处理领域一类非常重要的基本图像处理技术。通过采取适当的增强处理可以使原本模糊不清甚至根本无法分辨的原始图片处理成清楚、明晰的富含大量有用信息的可使用目标图像，因此此类图像处理技术在医学、遥感、微生物、刑侦以及军事等诸多科研和应用领域对原始图像的模式识别、目标检测等起着重要作用。本文将从空间域的角度对图像的灰度直方图增强处理方法做详细的介绍。图像的灰度直方图处理技术在空域对图像进行增强处理的方式有许多种，如增强对比度和动态范围压缩等等，但这些处理方式都是针对原始图像的每一个像素直接对其灰度进行处理的，其处理过程主要是通过增强函数对像素的灰度级进行运算并将运算结果作为该像素的新灰度值来实现的。通过改变选用增强函数的解析表达式就可以得到不同的处理效果，这类处理方法比较灵活方便，处理效果也比较不错，但对于某些灰度分布很密集或对比度很弱的图像虽然也能起到一定的增强效果但并不明显。对于这种情况就需要用本文提出的灰度直方图变换方法将原始图像密集的灰度分布变的比较疏散，从而拉大了图像的对比度并在视觉上达到明显增强的效果，使一些原本不易观察到的细节能变的清晰可辩。图像的灰度变换处理是通过改变原始图像各像素在各灰度级上的概率分布来实现的。通过对图像的灰度值进行统计可以得到一个一维离散的图像灰度统计直方图函数 p(sk)=nk/n (k=0,1,2,……,L-1)。该式表达了在第k个灰度级上的像素的个数nk占全部像素总数n的比例，p(sk)则给出了对sk出现概率的1个估计。因此该直方图函数实际是图像的各灰度级的分布情况的反映，换句话说也就是给出了该幅图像所有灰度值的整体描述。通过该函数可以清楚地了解到图像对应的动态范围情况，可以了解到图像灰度的主要集中范围。因此可以通过图像增强程序的干预来改变直方图的灰度分布状况，使灰度均匀的或是按预期目标分布与整个灰度范围空间，从而达到增强图像对比度的效果。这种方法是基于数理统计和概率论的，比直接在空域对原始图像采取对比度增强效果要好的多。在实际应用中直方图的变换主要有均衡变换和规定变换两种，而后者又根据灰度级映射规则的不同分单映射规则和组映射规则两种。直方图均衡化处理直方图均衡化处理的中心思想是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。对图像空域点的增强过程是通过增强函数 t=EH(s)来完成的，t、s分别为目标图像和原始图像上的像素点(x,y)，在进行均衡化处理时对增强函数EH需要满足两个条件：增强函数EH(s)在0≤s≤L-1的范围内是一个单调递增函数，这个条件保证了在增强处理时没有打乱原始图像的灰度排列次序。另一个需要满足的条件是对于0≤s≤L-1应当有0≤EH(s)≤L-1，它保证了变换过程灰度值的动态范围的一致。同样的，对于反变换过程s=EH-1(t),在0≤t≤1时也必须满足上述两个条件。累计分布函数(cumulative distribution function,CDF)就是满足上述条件的一种，通过该函数可以完成s到t的均匀分布转换。此时的增强转换方程为： tk = EH(sk) = ∑(ni/n) = ∑ps(si)，（k=0,1,2,……，L-1）上述求和区间为０到 k,根据该方程可以由源图像的各像素灰度值直接得到直方图均衡化后各像素的灰度值。在实际处理变换时，一般先对原始图像的灰度情况进行统计分析，并计算出原始直方图分布，然后根据计算出的累计直方图分布tk按式tk= 对其取整并得出源灰度sk到tk的灰度映射关系，其中N为灰度的级数。在重复上述步骤得到所有的源图像各灰度级到目标图像各灰度级的映射关系后按照新的映射关系对源图像各点像素进行灰度转换即可完成对源图的直方图均衡化。下面是按照上述算法实现的部分主要程序代码：首先对原始图像的各像素点的灰度情况进行统计计算。对于 24位BMP图像，图像阵列是从第54字节起始的，每像素按R、G、B的顺序占3个字节。 for(DWORD i=54;im_dwFileLen;i++) { 　ns_r ]++; //ns_r 为k灰度级像素数，m_cpBuffer 为当前的灰度值　 i++; 　ns_g ]++;//ns_g为G分量的统计记数　 i++; 　ns_b ]++;//ns_b为B分量的统计记数 } for(i=0;i256;i++) // 计算 R、G、B三分量的直方图分布 { 　 ps_r =ns_r /((m_dwFileLen-54)/3.0f); //ps_r 为R分量中i灰度级出现的概率　 ps_g =ns_g /((m_dwFileLen-54)/3.0f); //ps_b 为G分量中i灰度级出现的概率　 ps_b =ns_b /((m_dwFileLen-54)/3.0f); //ps_b 为B分量中i灰度级出现的概率 } 然后计算 R、G、B三分量各灰度级的累计直方图分布，并对其进行取整以得出源和目标图像灰度之间的映射关系： for(i=0;i256;i++) { 　//计算累计直方图分布　 temp_r =temp_r +ps_r ; 　 temp_g =temp_g +ps_g ; 　 temp_b =temp_b +ps_b ; 　//累计分布取整，ns_r 、ns_b =(int)(255.0f*temp_r +0.5f); 　 ns_g =(int)(255.0f*temp_g +0.5f); 　 ns_b =(int)(255.0f*temp_b +0.5f); } 最后按照计算出来的映射关系把原图的原始灰度值映射到经过均衡化的新灰度级上，完成最后的处理，下图就是原图像和用本程序得出的经过直方图均衡化处理的目标图像，从实验结果可以看出原始图像太暗根本看不清细节，而处理过的图像则非常清晰： for(i=54;im_dwFileLen;i++) { 　m_cpBuffer =ns_r ]; //对R分量进行灰度映射（均衡化）　 i++; 　m_cpBuffer =ns_g ]; //对G分量进行灰度映射（均衡化）　 i++; 　m_cpBuffer =ns_b ]; //对B分量进行灰度映射（均衡化） }; 个人分类: 我的日志|383 次阅读|0 个评论

更多...

帐号		密码		只需要一步，快速开始		注册地址	找回密码

标签: 模式识别

相关帖子

相关日志

QQ

电话咨询

关于我们| 联系我们| 诚征英才| 对外合作| 产品服务|