- 综合排序
- 最热优先
- 最新优先
- 来自专栏图像处理与模式识别研究所
高斯滤波
import cv2 o=cv2.imread("C:/Users/xpp/Desktop/Lena.png")#原始图像 r=cv2.GaussianBlur(o,(5,5),0,0)#高斯滤波 cv2 .imshow("original",o) cv2.imshow("result",r) cv2.waitKey() cv2.destroyAllWindows() 算法：高斯滤波将中心的权重值增加 dst=cv2.GaussianBlur(src, ksize, sigmaX, sigmaY, borderType) dst表示返回值，表示进行高斯滤波后得到的结果 src表示输入图像，图像深度是CV
74420编辑于 2022-05-28 - 来自专栏DeepHub IMBA
高斯函数、高斯积分和正态分布
正态分布是高斯概率分布。高斯概率分布是反映中心极限定理原理的函数，该定理指出当随机样本足够大时，总体样本将趋向于期望值并且远离期望值的值将不太频繁地出现。高斯积分是高斯函数在整条实数线上的定积分。 这三个主题，高斯函数、高斯积分和高斯概率分布是这样交织在一起的，所以我认为最好尝试一次性解决这三个主题（但是我错了，这是本篇文章的不同主题）。 本篇文章我们首先将研究高斯函数的一般定义是什么，然后将看一下高斯积分，其结果对于确定正态分布的归一化常数是非常必要的。最后我们将使用收集的信息理解，推导出正态分布方程。 两个高斯函数的图。第一个高斯(绿色)的λ=1和a=1。第二个(橙色)λ=2和a=1.5。两个函数都不是标准化的。也就是说，曲线下的面积不等于1。 概率密度函数的推导 我们将从广义高斯函数f(x)=λ exp(−ax^2)开始，正态分布下的面积必须等于1所以我们首先设置广义高斯函数的值，对整个实数线积分等于1 这里将 -a- 替换为 a^2 稍微修改了高斯分布
2.2K10编辑于 2022-03-12 - 来自专栏数据科学CLUB
高斯过程
高斯过程GaussianProcess ? 高斯过程的理论知识 非参数方法的基本思想 image.png image.png 高斯过程的基本概念 image.png image.png 高斯过程的Python实现 使用Numpy手动实现 定义核函数 image.png print(l_opt, sigma_f_opt) 0.9872536793237083 0.8613778055591963 更高维的高斯过程 image.png #噪音参数 小结 从前面我们可以看出，与常见的机器学习模型不同，用高斯过程做预测的方法是直接生成一个后验预测分布（依然是高斯分布）。 从统计学的角度上来看，利用高斯过程模型做预测具有很高的价值。
2.2K20发布于 2020-07-01 - 来自专栏全栈程序员必看
混合高斯背景建模原理_高斯图模型
混合高斯模型中第i个高斯分布的权系数的估计值， 和 分别表示时刻t混合高斯模型中第i个高斯分布的均值向量和协方差矩阵(此处假定像素的红、绿、蓝分量相互独立);η表示高斯分布概率密度函数。 参数更新 在时刻t对图像帧的每个像素Xt与它对应的高斯模型进行匹配， 匹配规则为： 如果像素值Xt 与混合高斯模型中第i个高斯分布Gi均值的距离小于其标准差的2.5倍, 则定义该高斯分布Gi 与像素值Xt 如果检验出该像素混合高斯模型中至少有一个高斯分布与像素值Xt 匹配, 那么混合高斯模型的参数更新规则为: 1)对于不匹配的高斯分布, 它们的均值μ和协方差矩阵 保持不变; 2)匹配的高斯分布Gi 的均值 icvUpdateFullWindow //函数功能：更新每个高斯分布的权值(对匹配的高斯函数k加大权值，其余的则减小权值)，如果前面的结果中存在匹配的高斯分布函数k,则需要再对第k个高斯分布函数的均值 .至少每个高斯分布的权值必须修正，如果前面的结果中存在匹配的高斯分布函数k,则需要再对第k个高斯分布函数的match_sum修改，最终对那些匹配的高斯分布函数k的参数match_sum>0的做均值mean
94410编辑于 2022-11-16 - 来自专栏数据结构笔记
高斯滤波
高斯滤波和均值滤波的原理一样，在均值滤波中所有的像素点的权重都一样，而在高斯滤波中则是越靠近中心的像素点权重远大，权重的分配由二维高斯公式生成的矩阵决定，矩阵的阶和扫描的窗口大小一致。 关于二维高斯公式这里不再赘述，不了解的可以看看这篇文章：高斯函数的详细分析，这里就只给出一个二维高斯分布的产生函数了： //生成高斯核 double* make_kernel(int size, double
1.1K10发布于 2019-04-21 - 来自专栏SnailTyan
高斯模糊
一、高斯模糊的概念 高斯模糊，也叫高斯平滑，英文为：Gaussian Blur，是图像处理中常用的一种技术，主要用来降低图像的噪声和减少图像的细节。 高斯模糊在许多图像处理软件中也得到了广泛的应用。 二、高斯模糊的原理 1、模糊在图像中的理解 模糊在图像中的意思可理解为：中心像素的像素值为由周围像素的像素值的和的平均值。 /所有像素高斯权重的和，得到像素最终的权重。 有了权重矩阵就可计算高斯模糊。假设现有9个像素点，灰度值（0-255）如下： 每个点乘以自己的权重值： 将这9个值加起来，就是中心点的高斯模糊的值。 对所有点重复这个过程，就得到了高斯模糊后的图像。如果原图是彩色图片，可以对RGB三个通道分别做高斯模糊。
6.1K20编辑于 2022-05-09 - 来自专栏全栈程序员必看
opencv高斯金字塔_高斯求和公式
对平滑图像进行抽样（采样） 有两种采样方式——上采样（分辨率逐级升高）和下采样（分辨率逐级降低） 上采样： 下采样： 二、高斯金字塔 高斯金字塔式在Sift算子中提出来的概念，首先高斯金字塔并不是一个金字塔 高斯金字塔构建过程： 1. 先将原图像扩大一倍之后作为高斯金字塔的第1组第1层，将第1组第1层图像经高斯卷积（其实就是高斯平滑或称高斯滤波）之后作为第1组金字塔的第2层，高斯卷积函数为： 对于参数σ，在Sift算子中取的是固定值 在高斯金字塔中一共生成O组L层不同尺度的图像，这两个量合起来（O，L）就构成了高斯金字塔的尺度空间，也就是说以高斯金字塔的组O作为二维坐标系的一个坐标，不同层L作为另一个坐标，则给定的一组坐标（O,L） 就可以唯一确定高斯金字塔中的一幅图像。
95810编辑于 2022-11-04 - 来自专栏菜鸟小栈
高斯模糊 Shader
正文 高斯模糊 在我们开始讨论代码之前，我们要先稍微了解以下几点... > 下面的讲解比较笼统，水平不够，请见谅！ 高斯模糊是什么？ 高斯模糊（Gaussian Blur），也叫高斯平滑，是一种生活中比较常见的图像处理效果。 经过高斯模糊处理的图像看起来就像是在一块毛玻璃后面，也就是俗称的“毛玻璃效果”。 高斯模糊也常用于处理噪点过高的图像，使图像看起来更平滑。 ? —▼— 实现原理是什么？ 从数学的角度来看，高斯模糊的处理过程就是图像与其正态分布做卷积。 因正态分布又称高斯分布（Gaussian distribution），所以这种技术就叫做高斯模糊。 代码实现 下面我将在 Cocos Creator 2.3.3 中实现一个高斯模糊的 Shader，除了前面部分属性定义，核心的逻辑是通用的。
2.5K21发布于 2020-07-10 - 来自专栏ACM算法日常
高斯消元
高斯消元 众所周知，高斯消元是线性代数中重要的一课。通过矩阵来解线性方程组。高斯消元最大的用途就是用来解多元一次方程组。 将样例输入化成一个普通的增广矩阵（将系数和值整合到一起) 这样的矩阵我们很难直观的看出它的解 所以我们最终的目的就是要把矩阵化成如下形式 这样我们能非常直观的看出它的解简单来说高斯消元最后就是要搞出这玩意 std; const int N=110; const double eps=1e-8; int n; double a[N][N];//增广矩阵 /*void out() {//亲测 本人遇到最好用的高斯消元
90510发布于 2019-11-25 - 来自专栏算法+
快速高斯模糊算法
刚才发现一份快速高斯模糊的实现。
2K50发布于 2018-04-12 - 来自专栏全栈程序员必看
高斯分布例题_高斯定理求半球面球心电场
给定心形曲线 (x2+y2−1)3=x2y3 (x^2+y^2-1)^3=x^2y^3，给定任意一点的坐标 (X,Y) (X,Y)其中 X～N(X,σx) X～N(X,\sigma_x)， Y～N(Y,σy) Y～N(Y,\sigma_y)求点 (X,Y) (X,Y)落入心形曲线内的概率。 思路： 以 (X,Y) (X,Y)为中心，画出 3∗σ 3*\sigma半径的椭圆，求和心形曲线相交的体积。注意：心形曲线方程可化为 x2+y2−1=x2/3y x^2+y^2-1=x^{2/3}y,满足 x2+y2−1<=(x2)1/3y x^2+y^2-1<=(x^2)^{1/3}y在曲线内。利用心形曲线上下左右都有最大值且约等于正负1。可以设定一个分辨率画出图形。 上代码：
34330编辑于 2022-11-03 - 来自专栏全栈程序员必看
java实现高斯日记
题目标题: 高斯日记 大数学家高斯有个好习惯：无论如何都要记日记。 他的日记有个与众不同的地方，他从不注明年月日，而是用一个整数代替，比如：4210 后来人们知道，那个整数就是日期，它表示那一天是高斯出生后的第几天。 高斯出生于：1777年4月30日。 在高斯发现的一个重要定理的日记上标注着：5343，因此可算出那天是：1791年12月15日。 高斯获得博士学位的那天日记上标着：8113 请你算出高斯获得博士学位的年月日。 提交答案的格式是：yyyy-mm-dd, 例如：1980-03-21 请严格按照格式，通过浏览器提交答案。
40410编辑于 2022-08-12 - 来自专栏DeepHub IMBA
如何推导高斯过程回归以及深层高斯过程详解
使用不同核函数的高斯过程 高斯过程 像所有其他机器学习模型一样，高斯过程是一个简单预测的数学模型。像神经网络一样，它可以用于连续问题和离散问题，但是其基础的一些假设使它不太实用。 高斯过程回归(GPR)是一种使用一些独立数据x来预测一些输出y的方法，顾名思义，它假设误差是高斯分布的，但也假设数据是多元高斯分布的。 在探地雷达中，我们首先假设一个高斯过程是先验的，可以用均值函数m(x)和协方差函数k(x, x’)来表示: 更具体地说，高斯过程就像一个无限维的多元高斯分布，其中数据集的任何标签集合都是联合高斯分布的。 深层高斯过程 从数学上讲，深层高斯过程可以看作是一个复合多元函数，其中“深层”方面增加了正态高斯过程的能力。可以把它看作如下的嵌套函数(其中g(x)是x上的一个深度高斯过程)。 ?(?)=?5(? 因为高斯过程指定了函数的先验;这个函数的导数(如果存在的话)也是高斯函数。这也说明边际导数分布也是高斯分布。如果是这样的话，这就意味着偶尔会有很大导数的函数很难用高斯过程来建模。
2.8K10发布于 2020-11-17 - 来自专栏小樱的经验随笔
高斯消元模版
} 55 inline int lcm(int a,int b)///最小公倍数 56 { 57 return a/gcd(a,b)*b;///先除后乘防溢出 58 } 59 ///高斯消元法解方程组
71840发布于 2018-04-09 - 来自专栏图像处理与模式识别研究所
高斯金字塔
import cv2 def gaussian_pyramid(image): level=3#高斯金字塔层数 temp=image.copy() gaussian_images WINDOW_AUTOSIZE) cv2.imshow('img',img) gaussian_pyramid(img) cv2.waitKey(0) cv2.destroyAllWindows() 算法：高斯金字塔是信号的多尺度表示法 ，亦即将同一信号或图片多次的进行高斯模糊，并且向下取样，方向向上，逐渐丢失图像的信息，藉以产生不同尺度下的多组信号或图片以进行后续的处理。 高斯金字塔： 首先使用高斯核对输入图像进行卷积处理 然后删除当前图像中所有偶数行和偶数列，得到的图像面积就会变成源图像的1/4 直到达到设定中止条件时，停止向下采样，得到一系列尺寸缩放的图像集 文献
1K30编辑于 2022-05-28 - 来自专栏向治洪
android 高斯模糊实现
高斯模糊 高斯模糊就是将指定像素变换为其与周边像素加权平均后的值，权重就是高斯分布函数计算出来的值。 一种实现 点击打开链接<-这里是一片关于高斯模糊算法的介绍，我们需要首先根据高斯分布函数计算权重值，为了提高效率我们采用一维高斯分布函数，然后处理图像的时候在横向和纵向进行两次计算得到结果。 bitmap.setPixels(pix, 0, w, 0, 0, w, h); return (bitmap); } 这里的方法也可以实现高斯模糊的效果
1.8K80发布于 2018-02-01 - 来自专栏各类技术文章~
混合高斯模型（GMM）
【摘要】 1 GMM基础高斯混合模型（GMM）指的是多个高斯分布函数的线性组合，理论上GMM可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多个不同的分布的情况。 利用高斯混合模型进行聚类，本质上... 1 GMM基础 高斯混合模型（GMM）指的是多个高斯分布函数的线性组合，理论上GMM可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多个不同的分布的情况 利用高斯混合模型进行聚类，本质上可以这么理解： 数据的分布由若干高斯分布组合而成，需要通过传入的无标记数据，求解出各个高斯模型的参数和各个模型的先验概率！ 设有随机变量X，则混合高斯模型可以用下式表示： 其中N(x∣μk,Σk)称为混合模型中的第k个分量。 其中，µ为高斯分布的均值向量，ε为高斯分布的协方差矩阵。 因为假设只有一个高斯分量被选中并产生观测数据。
1.7K20发布于 2021-09-16 - 来自专栏韩曙亮的移动开发专栏
【数据挖掘】高斯混合模型 ( 高斯混合模型参数 | 高斯混合模型评分函数 | 似然函数 | 生成模型法 | 对数似然函数 | 高斯混合模型方法步骤 )
高斯混合模型方法 步骤 I . 高斯混合模型 参数简介 ( 参数 ) ---- 1 . 高斯混合模型 参数个数 : ① 聚类个数 ( 高斯模型个数 ) : 每个高斯混合模型 都由 k 个高斯模型 ( 组件 ) 线性叠加组成的 ; ② 高斯模型参数 : 每个高斯模型 都有两个参数 , 即 ( 组件 ) 生成的概率 , 也就是 该样本被指派到某个聚类的概率 ; ④ 每个高斯模型相关参数个数 : k 个 高斯模型 , 每个高斯模型有 均值 \mu_i , 方差 \Sigma_i , 生成概率 \omega_i 等 3 个参数 ; ⑤ 高斯混合模型参数个数 : 整个 高斯混合模型 有 3 \times k 个参数 , k 是聚类分组个数 , 也是高斯模型个数 , 高斯混合模型 评分函数 ( 评价参数 ) ---- 高斯混合模型 评分函数 : 评价参数 : 为 高斯混合模型 学习训练出的 参数 , 需要 评分函数 来 对参数进行评价 , 评分函数取值 最大 时 ,
1.6K10编辑于 2023-03-27 - 来自专栏计算机视觉理论及其实现
高斯混合模型(GMM)
有时候单一高斯分布不能很好的描述分布 上图左面用单一高斯分布去描述，显然没有右图用两个高斯分布去描述的效果好。 2. 引入混合高斯分 这里插一句，为什么是“高斯混合模型”，而不是别的混合模型，因为从中心极限定理知，只要K足够大，模型足够复杂，样本量足够多，每一块小区域就可以用高斯分布描述。 而且高斯函数具有良好的计算性能，所GMM被广泛地应用。 单一高斯分布公式 混合高斯分布 每个GMM由K个高斯分布组成，每个高斯分布称为一个组件（Component），这些组件线性加成在一起就组成了GMM的概率密度函数： image.png 如上图 ，我们用三个高斯分布去描述一个二维的数据。
1.5K20编辑于 2022-09-03 - 来自专栏AIUAI
Matlab - 产生高斯噪声
%正态分布(normal distribution)又名高斯分布(Gaussian distribution), % MATLAB 命令是normrnd。 %4）randn()是标准正态分布； MATLAB命令是normrnd 功能:生成服从指定均数和标准差的正态分布的随机数列, %即高斯随机序列。 例如： %高斯噪声为n(m)=nmr+jnmi,其中实虚部均为独立同分布N(0, a)的高斯随机数，信号x(m)=s(m) + n(m) % SNR = 10 lg[1/(2a)] = – 10 lg(a) (dB) [之所以是2a不是a是因为实虚部] %若有用信号s(n)的最大幅度am，要求得到的信噪比为p，则p=10log10[(am^2)/b^2]，用这个公式反推出高斯
2.5K60发布于 2019-02-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号