在手写数字识别中，0-9出现的先验概率为1/10，每张图片大小为32x32，转换为一个包含784个特征向量的一纬向量，计算每类中，784个特征向量出现的概率即为类条件概率。后验概率是在测试样本时使用。已知样本的先验概率，特征向量的类条件概率。就可以测试出测试集中的样本处于被归为某类的概率。类条件概率：每类中的样本取得某个具体特征向量的概率P(x,wi)后验概率：样本取得某个具体特征向量时属于每类的

Kmeans算法原理：在给定K个初始聚类中心点的情况下，（1）把数据中的每个样本分到离其最近的聚类中心所代表的类中。（2）分类完后计算从新每个类的中心点（取平均值），然后进行迭代从新第（1）步和第（2）步。直到类中心点的变化很小，或者达到指定迭代次数。Python中在sklearn库有KMeans函数可调用。我实现的是直接调用，数据集在模板匹配算法中给出。

SVM：从类别上理解可以将SVM分为硬间隔SVM(hard-margin SVM)、软间隔SVM(soft-margin SVM)、核SVM。个人理解：在数据线性可分的前提下，硬间隔SVM是找到离分类平面较近的支持向量，再由支持向量找到最优超平面将数据进行分类。软间隔SVM是为了在线性不可分的数据中适用，对每个样本点引入一个松弛变量，即在约束条件中增加一个惩罚项。核技巧能够让svm从普通的特征空间

作用：直方图均衡化是一种有效的图像增强技术，原始图像在灰度分布上可能集中在较窄的区间，造成图像不够清晰。采用直方图均衡化可以将原始图像的直方图变换为均匀分布，这样增加了像素之间的灰度值差别，从而达到增强图像整体对比度的效果。

最近在项目里需要用到傅里叶变换获取图像的高频区域（边缘），之前在csdn上看到一篇关于使用圆形滤波器的，使用效果并不好，图像提取高频信息后的图像在纯色区域有和明显的振铃效应，之后看到了这篇高质量的文章-- ，记录下来当做自己的笔记。使用高斯滤波器过滤频率信息振铃效应（在时域中使用矩形函数的滤波器会导致在频域中的涟波，其原因就如同Sinc滤波器(在频域中为矩形函数)在时域中产生的涟波一样；在这两个例

模板匹配是图像处理的一个基础算法，在图像A中寻找到与图像B（模板）最相似的区域，opencv有相应的函数调用 cv.matchTemplate（img,template,参数）。模板是已知的、带标签的，将未知的样本和所有模板进行匹配，计算相似度。相似度如何计算呢，我们的研究对象是图像，可以计算图像和模板特征向量之间的距离（欧式距离）。研一的课程结束了，抓住暑假最后的尾巴，将模式识别与机器学习课程上

【代码】YOLO格式txt数据与COCO格式xml数据互转。

作用：直方图均衡化是一种有效的图像增强技术，原始图像在灰度分布上可能集中在较窄的区间，造成图像不够清晰。采用直方图均衡化可以将原始图像的直方图变换为均匀分布，这样增加了像素之间的灰度值差别，从而达到增强图像整体对比度的效果。