目录一、初始化设置二、画花瓣三、画花蕊四、画花杆和叶片总代码一、初始化设置def Init():turtle.penup()# 提起画笔（不画线）turtle.pendown()# 放下画笔移动画笔开始绘制（画线）二、画花瓣实际上就是用一个个不同大小的圆弧，组成花瓣。花瓣咱们选择黄色上色。# 画花瓣def Draw_Petals():turtle.fillcolor('yellow')...

一、概念与定义BP神经网络：是一种按照误差逆向传播算法训练的多层前馈神经网络。BP 算法的基本思想：学习过程由信号的正向传播和误差的反向传播两个过程组成。正向传播：把样本的特征从输入层进行输入，信号经过各个隐藏层逐层处理后，最后从输出层传出。反向传播：对于网络的实际输出与期望输出之间的误差，把误差信号从最后一层逐层反传，从而获得各个层的误差学习信号，再根据误差学习信号来修正各个层神经元的权值。周而

目录基础理论一、训练CNN卷积神经网络1、载入数据2、改变数据维度3、归一化4、独热编码5、搭建CNN卷积神经网络5-1、第一层：第一个卷积层5-2、第二层：第二个卷积层5-3、扁平化5-4、第三层：第一个全连接层5-5、第四层：第二个全连接层（输出层）6、编译7、训练8、保存模型代码二、识别自己的手写数字（图像）1、载入数据2、载入训练好的模型3、载入自己写的数字图片并设置大小4、转灰度图5、转

目录一、拟合线性函数1、生成随机坐标2、神经网络拟合代码二、拟合非线性函数1、生成二次随机点2、神经网络拟合代码一、拟合线性函数学习率0.03，训练1000次：学习率0.05，训练1000次：学习率0.1，训练1000次：可以发现，学习率为0.05时的训练效果是最好的。1、生成随机坐标1、生成x坐标2、生成随机干扰3、计算得到y坐标4、画点# 生成随机点def Produce_Random_D..

目录基础理论一、生成验证码数据集1、生成验证码训练集1-0、判断文件夹是否为空1-1、创建字符集（数字、大小写英文字母）1-2、随机生成验证码（1000个，长度为4）2、生成验证码测试集代码二、获取数据（训练集、测试集）1、获取数据和标签1-1、获取训练集数据和标签（路径和标签）1-2、获取测试集数据和标签（路径和标签）1-3、数据组合（图像路径和标签）2、打乱数据3、处理每条数据4、自定义重复周

目录一、混淆矩阵二、准确率三、召回率四、精确率五、综合评估指标 -- F值一、混淆矩阵也程误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。在机器学习领域，混淆矩阵又称为可能性表格或者是错误矩阵。它是一种特定的矩阵用来呈现算法的效果。后面准确率、召回率、精确率、F值的讲解，都以该例子进行计算：二、准确率准确率：识别成功的概率。公式：准确率比较好理解，难的是后面的召回率和精确率的理

一、物体跟踪效果展示

目录一、顶帽运算二、底帽运算三、底帽运算应用（二值图像底帽运算）1、原图转灰度图，再转二值图像2、灰度图底帽处理3、二值图闭运算代码总代码参考资料一、顶帽运算顶帽运算 = 原图像 - 开运算开运算可以消除暗背景下的较亮区域，那么如果用原图减去开运算结果就可以得到原图中灰度较亮的区域，所以又称白顶帽变换。//顶帽运算void TopHat(){//开运算Mat kernel = getStructu

一、基础理论1、思想防止同化。任何灰度图像都可以看作是一个地形表面，其中高强度表示山峰，低强度表示山谷。你开始用不同颜色的水(标签)填充每个孤立的山谷(局部最小值)。随着水位的上升，根据附近的山峰(坡度)，来自不同山谷的水明显会开始合并，颜色也不同。为了避免这种情况，你要在水融合的地方建造屏障。你继续填满水，建造障碍，直到所有的山峰都在水下。然后你创建的屏障将返回你的分割结果。这就是Watersh

一、基础理论直方图是数据统计的一种方法，并且将统计值组织到一系列实现定义好的 bin当中。其中, bin为直方图中经常用到的一个概念，可以译为“直条”或“组距”，其数值是从数据中计算出的特征统计量，这些数据可以是诸如梯度、方向、色彩或任何其他特征。图像直方图（Image Histogram）是用以表示数字图像中亮度分布（灰度）的直方图，标绘了图像中每个亮度值的像素个数。这种直方图中，横坐标的左侧为