给图片打马赛克一、理论分析二、代码分析2.1 对图像全局采用马赛克处理2.2 局部马赛克2.3 对图片进行运算处理2.3.1 图像的或运算2.3.2 图像的与运算2.3.3 图像的HSV参数获取2.3.4 图像的加法运算2.3.5 图像的BGR分割一、理论分析对图像处理，最常见的也莫过于对图片打马赛克了。其实它的原理也很简单，对一整块图片采用一个像素点填充。二、代码分析2.1 对图像全局采用马赛克

一、实验目的用OpenCV编写一个程序，对给定图像中的局部区域打上马赛克效果，通过该实验让学生了解给图像打马赛克的原理，掌握具体的编程方法。二、实验要求1、用OpenCV编写一个程序，对给定图像中的局部区域打上马赛克效果，要求能通过拖动鼠标的方式让使用者灵活自主地给图像打马赛克。2、认真撰写实验报告，要求说明实验原理，对实验过程叙述清楚，关键代码给出注释，对实验结果给出合理解释，实验分析部分则需要

一、实验目的用OpenCV编写一个程序能检测出给定图像中的人脸，并能给人脸添加一些装饰特效，比如给人脸加上戴眼镜或带口罩或戴帽子等装饰物。二、实验要求1、用OpenCV编写一个程序能检测出给定图像中的人脸，并能给人脸添加一些装饰特效，比如给人脸加上戴眼镜或带口罩或戴帽子等装饰物，要求首先能检测出图像中的人脸，进而给人脸的一些部位添加装饰特效，并要求添加的装饰物位置准确，大小合适。2、认真撰写实验报

一、实验目的用OpenCV编写一个基于分水岭算法的图像分割程序能对肺部医学图像进行分割，辅助医生进行病情诊断，强化和巩固学生对图像分割知识的掌握和灵活应用。二、实验要求1、用OpenCV编写一个基于分水岭算法的图像分割程序，能对获取的肺部医学图像进行分割；2、认真撰写实验报告，要求说明实验原理，对实验过程叙述清楚，关键代码给出注释，对实验结果给出合理解释，实验分析部分则需要指出实验结果优劣的原因以

一、实验目的用OpenCV编写一个车辆计数程序，强化对课堂讲授内容如图像腐蚀、轮廓提取、边缘检测、视频读写等知识的深入理解和灵活应用。二、实验要求1、用OpenCV编写一个车辆计数程序，对一段视频里道路上的来往车辆进行计数统计，要求避免同一车辆重复统计，并尽量避免漏检、错检；2、认真撰写实验报告，要求说明实验原理，对实验过程叙述清楚，关键代码给出注释，对实验结果给出合理解释，实验分析部分则需要指出

自然语言处理基础算法—隐马尔可夫模型在分词中的应用一、问题导入最近，从头到尾学习了隐马尔可夫模型，这个模型十分神奇，核心思想就是过去发生的，现在发生的，和将要发生的，都只和这个时间的前一个事件相关。简单来说，你考试过不过我只看成绩，和你上课表现状况无关。而这些事件相连组成的链条就叫做马尔可夫链。那么问题又来了，为什么叫做隐马尔可夫模型呢？其实就是这里面包含一个隐状态。我们不妨举个例子，比如我和小梦

入门机器学习（西瓜书+南瓜书）聚类总结（python代码实现）一、聚类1.1 通俗理解聚类，顾名思义就是把数据特征相似的数据聚为一类。属于无监督学习的范畴。没有标签值的监督，因此不同的聚类算法，聚类的结果也不同。俗话说物以类聚。聚类就是按照某一个特定的标准（比如距离），把一个数据集分割成不同的类或簇(cluster)，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇内的数据对象的差异性也

GBDT(Gradient Boosting Decision Tree) 是机器学习中一个长盛不衰的模型，其主要思想是利用弱分类器（决策树）迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。GBDT不仅在工业界应用广泛，通常被用于多分类、点击率预测、搜索排序等任务；在各种数据挖掘竞赛中也是致命武器，据统计Kaggle上的比赛有一半以上的冠军方案都是基于GBDT。

深度学习的基础知识入门，作者才用大白话形式加通俗易懂的例子，讲解深度学习的原理和数学基础

自然语言处理实验—用K-means的方法对样本特征分类一、算法简述本次博客我们介绍一下机器学习里经典的聚类算法K-means，它属于典型的无监督学习算法。其核心思想也非常的简单，大致思路如下：要选取K(K=1,2,..)K(K=1,2,..)K(K=1,2,..)个簇的质心,这决定了我们最终聚类的簇（每一类被分为一个簇）。对每一个待分类的样本，我们都计算该样本到每个簇质心的距离，然后将该样本归类到