1.逆滤波的问题点
图像的老化，可以视为以下这样的一个过程。一个是退化函数的影响（致使图片模糊，褪色等），一个可加性噪声的影响。
用算式表示为
前几篇博文，主要是介绍可加性噪声的去除。本博文，主要介绍图像的逆滤波，即退化函数的去除。然而，逆滤波在空间域内的处理是很不方便的。
简单的来考虑，加法的逆运算是减法，乘法的逆运算的除法，微分的逆运算...
分类：
其他好文 时间：
2014-07-23 20:58:55
阅读次数：
738
一、频谱分析（分析-预测-频谱分析） “频谱图”过程用于标识时间序列中的周期行为。它不需要分析一个时间点与下一个时间点之间的变异，只要按不同频率的周期性成分分析整体序列的变异。平滑序列在低频率具有更强的周期性成分；而随机变异（“白噪声”）将成分强度分布到所有频率。不能使用该过程分析包含缺失数据的序列...
分类：
其他好文 时间：
2014-07-23 20:39:45
阅读次数：
651
磁珠：由氧磁体组成，将交流信号转化为热能，是能量转换（消耗）器件，主要用在高频回路（高频电源入口或高频信号线）对高频EMI噪音干扰进行吸收，长而细的磁珠效果更好，可通过串联多个磁珠增加效果（超过3个没效果）。，铁氧体磁珠对于1MHz以上的噪声信号抑制效果十分明显，因此可用作高频电路的去耦、滤波以及寄...
分类：
其他好文 时间：
2014-07-22 22:40:14
阅读次数：
146
题意：
给定n个数字。
问任意两数之间的差的总和是多少。
思路：
先从小到大排序。
然后dp转移方程：
sum[i]=sum[i-1] + i*(sum[i]-sum[i-1]);
最后结果是ans=sum[n]*2;(因为噪声计算是双向的)
其实与其说是dp，还不如说是找规律。
这样的时间复杂度是sort的时间复杂度O(nlogn)。
主要卡精度。。。。
法一：#i...
分类：
其他好文 时间：
2014-07-22 14:20:04
阅读次数：
174
边界闭合：根据梯度的幅度和方向进行边界闭合。（T是幅度值，A是角度阈值）这种方法是并行方法，只考虑局部信息，没有考虑全局信息。这个方法还可以推广用于连接相距较近的间断边缘段和消除独立的（常由噪声干扰产生的）短边缘段。串行边界技术：1、边缘检测边缘点边chuanxin来自为知笔记(Wiz)
分类：
其他好文 时间：
2014-07-22 00:36:36
阅读次数：
265
# -*- coding: utf-8 -*-
#code:myhaspl@myhaspl.com
#邻域平均法滤波,半径为2
import cv2
import numpy as np
fn="test3.jpg"
myimg=cv2.imread(fn)
img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)
#加上椒盐噪声
param=20
#灰阶范围...
分类：
编程语言 时间：
2014-07-19 23:18:52
阅读次数：
405
1、拉普拉斯算子：对噪声相当敏感，很少用于边缘检测，主要用于已知边缘像素后确定该像素在图像的暗区或者明区。2、马尔算子：拉普拉斯算子的进化版。具有一定的生物学和生理学意义。根据视觉成像的研究。 算法：先平滑原始图象后再运用拉普拉斯算子 对不同分辨率的图象分别处理 (1) 用一个2-D的高斯平滑模板与...
分类：
其他好文 时间：
2014-07-19 14:14:25
阅读次数：
219
在边缘灰度值过度比较尖锐切图像中噪声比较小时，梯度算子工作效果好。1、数字图像中求导数是利用差分近似微分来进行的。2、梯度对应一阶导，梯度是矢量。矢量的幅度（有时候常称为梯度）方向角：注意：范数的概念，实际上就是一种求距离的方法，详见距离度量函数幅度有这里用欧式距离是2范数，城区距离是1范数，∞范数...
分类：
其他好文 时间：
2014-07-19 12:08:05
阅读次数：
315
# -*- coding: utf-8 -*-
#code:myhaspl@myhaspl.com
#归一化块滤波
import cv2
import numpy as np
fn="test3.jpg"
myimg=cv2.imread(fn)
img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)
#加上高斯噪声，可以参考以前博文中的内容
......
....
分类：
编程语言 时间：
2014-07-19 12:01:38
阅读次数：
362
当你的分类模型有数百个或数千个特征，由于是文本分类的情况下，许多（如果不是大多数）的特点是低信息量的，这是一个不错的选择。这些特征对所有类都是通用的，因此在分类过程中作出很小贡献。个别是无害的，但汇总的话，低信息量的特征会降低性能。
通过消除噪声数据给你的模型清晰度，这样就去除了低信息量特征。它可以把你从过拟合和维数灾难中救出来。当你只使用更高的信息特征，可以提高性能，同时也降低了模型的大小...
分类：
其他好文 时间：
2014-07-19 11:22:54
阅读次数：
507
