1. 图像分类问题这是人每天自然而然会做的事情，普通到大部分时候，我们都感知不到我们在完成一个个这样的任务。早晨起床洗漱，你要看看洗漱台一堆东西中哪个是杯子，哪个是你的牙刷；

简介最近由于项目需要，需要做一个车牌号抓取和识别的功能，于是找到了EasyPR，全称Easy to do Plate Recognition，一个全中文的开源识别项目，基于OpenCV和机器学习实现，支持跨平台，相对来说比较简单，速度也还不错，准确度而言，白天还行，晚上很差，尤其是开启前照灯的情况下非常糟糕，不过还是要感谢作者能够开源给大家分享。下载github地址：https:/

一概览首先，我们先来看下目标检测的发展历程：1.2001年，V-J检测器诞生，主要用于人脸的检测；2.2006年，HOG + SVM的方法出现，主要用于行人的检测；3.2008年，rgb大神（记住这个人，后面的R-CNN系列检测算法也是出自他之手）研究出了著名的DPM算法，在深度学习方法成熟之前的很长一段时间里，就是这个算法一直在目标检测中发挥作用；以上算法是属于传统目标检测的算法...

1.CLAHE简介       HE直方图增强，大家都不陌生，是一种比较古老的对比度增强算法，它有两种变体：AHE和CLAHE；两者都是自适应的增强算法，功能差不多，但是前者有一个很大的缺陷，就是有时候会过度方法图像中相同区域的噪声问，为了解决这一问题，出现了HE的另一种改进算法，就是CLAHE；CLAHE是另外一种直方图均衡算法，能有效的增强或改善图像（局部）对比度，从而获取更多图像相关细节

本文翻译自https://en.wikipedia.org/wiki/Adaptive_histogram_equalization，如有错误还望海涵。。自适应的直方图均衡（Adaptive Histogram Equalization）1.算法简介        AHE是一种用来改善图像对比度的图像处理技术，它与传统的（普通）直方图均衡相比，不同点主要在于，AHE通过计算图像每一个显

1.简介       目前为止，通过MLP和BP算法的学习，我们已经接触了神经网络，并且知道了最具有代表性的一种模型“多层感知器”，这篇文章对ANN做个详细的总结和概述。       一般来讲，ANN可以看做是由大量简单计算单元（神经元节点）经过相互连接而构成的学习机器，网络中的某些因素，如连接强度（权值）、节点计算特性、网络结构等，可以按照一定的规则或算法根据样本数据来进行相应的调整（训

1.简介       在样本有限的情况，样本分布不规律且含有噪声的情况下，用最近邻来做决策难免有一定风险，因此对其引入打分机制，对未知样本的决策，不仅仅只依赖于最近的那一个已知样本，更可靠的做法是选择k个距离未知样本最近的已知样本，然后在这k个类别中进行打分来决定最后应该决策给谁。显然，最近邻就是1近邻。      另外，回顾下前面在讲概率密度函数的非参数估计时，是不是也提到了k近邻，没错

早前已经学习了感知器学习算法，主要通过对那些错分类的样本进行求和来表示对错分样本的惩罚，但明显的它是一个线性的判别函数；而且上节学到了感知器神经元（阈值逻辑单元），对于单个的感知器神经元来说，尽管它能够实现线性可分数据的分类问题（如与、或问题），但是却无法解决非线性问题，如逻辑学里的异或（XOR）问题甚至是高阶，那么这样的问题该如何利用简单学习机器来解决呢？       回想下前面在非线性分类

Boosting最早被用在电力电子技术学科中的升压（Boost）变换器中，原本是想通过升压来提高功率，现在将这一提高功率的思想引入到模式识别方法中，它的含义就变成通过融合多个分类器，从而大大提高分类器的性能。Boosting方法和随机森林的思想很类似，当采用基于简单模型的单个分类器对样本进行分类的效果不理想时，我们希望能够通过构建并整合多个分类器来提高最终的分类性能，我们通常将这种不太理想的单

模式识别（Pattern Recognition）学习笔记（十四）--多类线性判别函数如有错误还请海涵，多谢。。        首先，将多类线性判别函数记为：       按照上一节学习的多类分类器的设计思想，很明显对于c类问题，就有c个判别函数：           （1）如果哪一类的判别函数最大，就决策为哪一类：if   ，then           （2