本文基本实现的基本思路是：将图片中公式转换成LaTex公式，再将LaTex公式转换为word自带公式一、图片中公式转换成LaTex公式1.下载并安装mathpix2.Ctrl + Alt + M截取公式图片，获取LaTex公式二、将LaTex公式转换为MathType公式1.下载并安装MathType...

Snakes算法上一讲我们讲的图像分割算法主要是基于像素的，这一讲主要是基于曲线的。我们希望能得到一个能够包围住图像轮廓的平滑的曲线，snakes算法就是一个很有用的算法。首先我们将曲线的坐标x、y同一用参数s表示，s范围从0-1代表从起点绕曲线一周再回到原点我们假定初始化的时候这个曲线已经给定，我们定义这个曲线的能量函数，曲线衍进的过程就是让能量函数降低的的过程，能量函数分为外部能量...

CUDA系列笔记CUDA学习笔记（LESSON1/2）——架构、通信模式与GPU硬件CUDA学习笔记（LESSON3）——GPU基本算法（Part I）CUDA学习笔记（LESSON4）——GPU基本算法（Part II）CUDA学习笔记（LESSON5）——GPU优化CUDA学习笔记（LESSON7）——常用优化策略&动态并行化GPU基本算法（Part II）...

支持向量机除了之前讲的机器学习的方法，还有一种常用的方法叫做支持向量机。我们将logistic回归的假设函数以及代价函数稍加更改就可以得到支持向量机的模型另外还有不同的是SVM的输出并不是一个概率值，而是0或1大间隔我们说SVM是一种大间隔算法，意思是我们进行分类的时候会选择所有样本点离分界线最远的界限。例如下图我们用SVM以后就会得到斜率约为-45°的线而不会收敛到近...

卷积神经网络如今卷积神经网络已经应用到生活的方方面面我们上次讲了全连接层，全连接层一般作为卷积神经网络的最后一层卷积层下面我们来看卷积神经网络中最常用的结构：卷积层。由于输入图片的像素很多，如果我们将每个像素进行全连接的话那我们需要学习十分多的权重，这样不仅需要非常多的训练数据，还可能出现过拟合的问题。因此我们采用的结构是定义一个卷积核，让这个卷积核在图片上进行卷积操作...

总览之前我们讲的网络模型都是监督学习，这一讲我们要讲的是无监督学习。以下是本讲的总览无监督学习与监督学习最大的不同就是我们只有数据，没有任何多余的标注，我们要做的就是学习数据中隐藏的某些结构。而生成模型就属于无监督学习的一种生成模型生成模型的目标是给定训练数据，希望能获得与训练数据相同的新数据样本。我们的目标是找到训练数据的分布函数生成模型在很多场景有非常好的应用...

酉变换酉变换可以由如下方式定义，其中输入和输出之间的关系可以写成矩阵相乘的形式，矩阵A称为酉矩阵，A满足A的逆矩阵等于A的共轭对称矩阵DFT变换就是一个酉变换，系数矩阵A满足每一列的模是1并且由于不同频率正弦信号之间的正交性，列之间是相互正交，因此A也是一个酉矩阵对于二维DFT我们可以看做两次一维的DFT，因此我们也可以写成矩阵相乘的形式 基我们表达一个二维图像...

阈值我们将图像分块最简单的方法就是设定一个阈值对图像进行二值化处理，那么这个阈值我们应该如何选择呢对于图像的直方图存在明显边界的图像，我们可以很容易找到这个阈值，但是如果图像直方图分界不明显，那么这个阈值的寻找将变得十分困难。因此我们存在全局阈值与局部阈值两种全局阈值全局阈值就是在整幅图像中我们只有一个阈值来对图像进行二值化，但是其存在其局限性，例如图像中存在高斯噪声的情况...

边缘连接我们得到边缘图以后会出现是一个问题，就是由于有的像素偏暗，会出现边缘不连续的现象，这种情况我们就要采用边缘连接算法。我们对每一个边缘上的点进行遍历，以这个像素为中心看一个矩形窗内的其他像素，如果存在边缘幅度响应M与边缘相角响应α都与中心像素差别不太大的像素，那么把这个像素也纳为边界内 边缘跟踪现在我们就有一个闭合的边缘了，那么我们怎么样对边缘上的点进行排序呢，下图演示了...

二维傅里叶变换我们先来看看一维情况的傅里叶变换。在信号系统中讲过连续时间的傅里叶变换和离散时间的傅里叶变换，连续时间傅里叶变换在频谱上时非周期的，离散时间傅里叶变换（DTFT）在频谱上是周期的。在DSP中讲了离散傅里叶变换，它的思想是将时域周期化，反映在频域上就是对连续的周期频谱进行抽样有了一维的离散傅里叶变换（DFT），我们可以将其推广到二维的情况我们其实可以将二维离散傅里叶...