如果你已经看完并理解了我的上一篇SVM的博客，那么接下来你要面对的是怎么应用SVM这个实际的问题，现在SVM里面应用最广泛的就是LIBSVM这个函数库，OpenCV中也基于LIBSVM推出了CvSVM 的函数。因此下面的内容，我主要是介绍一下LIBSVM的应用方法，主要是参考文献[1,2]。LIBSVM是国立台湾大学 Chih-Jen Lin开发的一个SVM的函数库，他不但提供了编译好的可在Win

分水岭算法是一个流行的图像处理算法，用于快速地分割图像为同类区域。它背后的原理就是，如果将图像视为拓扑结构的地图，那么均质区域对应的是被陡峭边缘包围的平坦盆地。这么讲，可能大家还不是很明白，接下来我们详细地分析一下这个算法。1、算法来源分水岭算法的思想来源于地形学，它将图像看作是地形学上被水覆盖的自然地貌，图像中的每一像素的灰度值表示该点的海拔高度，其每一个局部极小值及其影响区域称为集水盆，两集水

纹理是一种重要的视觉线索，是图像中普遍存在而又难以描述的特征。纹理特征提取的目标是：提取的特征维数不大、鉴别能力强，稳健性好，提取过程计算量小，能够指导实际应用。图像纹理的应用如下图1所示：纹理特征提取方法分类如下：统计家族统计家族方法发展至今40多年，其方法思想简单，易于实现。实践证明，GLCM在该家族中一支独秀，具有旺盛的生命力；其次是半方差图方法。以下主要阐述

上一篇文章介绍了分形理论中的分维，而Hausdorff维数是分形维数中的一个最具代表性的维数，所以在本文的剩下部分重点介绍Hausdorff维数。因为这部分公式有点儿多，而且课本里面解析的相当好，我就偷懒直接用照片来解释。所有分形都具有一个重要的特征：可通过一个特征数，即分形维数测定其不平度、复杂性或卷积度

分维又叫做分形维数, 是分形理论中最重要的一个概念, 它是对非光滑、非规则、破碎的等极其复杂的分形客体进行定量刻划的重要参数, 它表征了分形体的复杂程度、粗糙程度,即就是分维越大, 客体就越复杂、越粗糙, 反之亦然。维数概念历来在数学和物理学中占据着重要的地位。按传统的观点, 维数是确定系统状态的独立变量, 只能取整数。然而, 在分形理论中, 对于一个分形客体, 它的维数一般都不限于整数,

第一次接触BP神经网络是在模式分类的课上，第二次接触是在Stanford的机器学习课上。接触多次，但都没有具体把它应用到研究中去。这次要做学术报告，打算试验一下它在分类识别中的效果如何，也逼自己具体代码实现一遍。BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模

一、枚举法枚举法，本质上就是搜索算法。基本思想：枚举也称作穷举，指的是从问题所有可能的解的集合中一一枚举各元素。用题目中给定的检验条件判定哪些是无用的，哪些是有用的。能使命题成立。即为其解。

模式识别学习算法泛化性能的界限A Bound on the Generalization Performance of a Pattern Recognition Learning Machine假设有L个样本，每个样本包含如下一对数据(x_i,y_i )，其中，向量□(x_i∈R^n,i=1,…,L) ，y_i为给定的标签。具体来讲，在树的识别问题中，x_i代表一个像素灰度值的向量，而y_i=1

基于信号稀疏表示的图像识别方法是基于过完备字典对测试样本的表示具有稀疏性这一先验知识，将识别问题看作是多个线性回归模型的分类问题，从稀疏的角度得到对图像最紧致的表示。文献Robust face recognition via sparse representation提出了稀疏表示的分类算法SRC，该算法将测试样本表示为训练样本的加权线性组合，通过L1范数优化求取稀疏解，使得除测试样本所属类别

支持向量机，听名字，真的很让人充满好奇，到底什么是支持向量机，是一种什么机器？？？后来上了模式识别课才知道，原来支持向量机就是一个算法，不是什么机器，而且归结起来是一种信号处理方式，底子还是《现代信号处理》中内容。首先，我们可以来了解一下SVM的历史过程：推荐的中文博客Free Mind 的支持向量机系列文章，能够让你快速地掌握SVM的相关概念和原理；July 整理的支持向量机通俗导论，比较全