<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[green_master的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/green_master</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; green_master]]></copyright><item><title><![CDATA[图像处理常用边缘检测算子]]></title><link>https://blog.csdn.net/green_master/article/details/52504575</link><guid>https://blog.csdn.net/green_master/article/details/52504575</guid><author>green_master</author><pubDate>Sun, 11 Sep 2016 16:37:44 +0800</pubDate><description><![CDATA[边缘是图像中像素值发生剧烈变化而不连续的结果，它存在于目标与背景、目标与目标、区域与区域之间。边缘检测是图像基于边界分割的第一步。由图像灰度的特点，可将边缘类型分为阶梯状边缘（处于图像两个具有不同灰度值的相邻区域之间）、脉冲状边缘（它主要对应细条状灰度值突变区域，可以看做两个背景阶梯状的边缘构成）、屋顶状边缘（它的边缘上升、下降都比较平缓，可以看作是将脉冲状边缘拉伸而得到的）。]]></description><category></category></item><item><title><![CDATA[图像预处理——图像坐标变换]]></title><link>https://blog.csdn.net/green_master/article/details/52495400</link><guid>https://blog.csdn.net/green_master/article/details/52495400</guid><author>green_master</author><pubDate>Sat, 10 Sep 2016 16:22:06 +0800</pubDate><description><![CDATA[图像采集后，为了更加有效的获取其中的信息，常常对图像进行一定的预加工。一方面图像在采集中可能发生几何失真，为恢复场景和图像的空间位置关系，需要进行坐标变换；另一方面，对图像对幅度也需要一定的调整，以改善视觉质量；另外图像采集过程中还可能收到噪声的干扰，需要消除他们的影响。
      对图像的坐标变换实际上就是对像素的坐标变换，变换的结果改变了像素在图像中的位置，对图像几何失真校正就是坐标变换的]]></description><category></category></item><item><title><![CDATA[图像增强之三——空域滤波]]></title><link>https://blog.csdn.net/green_master/article/details/52490515</link><guid>https://blog.csdn.net/green_master/article/details/52490515</guid><author>green_master</author><pubDate>Fri, 09 Sep 2016 21:03:15 +0800</pubDate><description><![CDATA[空域滤波是利用像素及邻域组成的空间对图像进行增强。
     空域滤波常借助模板的运算来实现，最常用的是模板卷积，主要步骤如下：
        （1）将模板在图中漫游，并将模板中心与图中某个像素位置重合。
        （2）将模板上的各个像素与模板下的各对应像素的灰度值相乘。
        （3）将所有乘积相加得到的结果赋给图中对应模板中心位置的像素。
例子：
   
1.平]]></description><category></category></item><item><title><![CDATA[统计学习的基本概念]]></title><link>https://blog.csdn.net/green_master/article/details/52490274</link><guid>https://blog.csdn.net/green_master/article/details/52490274</guid><author>green_master</author><pubDate>Fri, 09 Sep 2016 20:43:07 +0800</pubDate><description><![CDATA[过拟合（over-fitting）：是指学习时选择的模型所包含的参数过多，以致于这一模型对已知数据预测较好，对未知数据预测很差的现象。可以说模型选择旨在避免过拟合，并提高模型的预测能力。
       泛化能力(generalization ability):是指学习到的模型对未知数据的预测能力，是学习方法的重要性质。现实生活中常常采用测试误差来评价学习方法的泛化能力。]]></description><category></category></item></channel></rss>