高斯判别算法GDA(吴恩达机器学习c#实践,生成高斯模板显示同心椭圆马氏距离,二)
先看以下是个什么?
真看不出什么,对比一下还行,还是看不出来,我们让马氏距离放大十倍等于15,高斯值放大1000倍等于4的像素加以阻挡指示出来,使用白色。
同心椭圆:(为什么协方差矩阵?0值改0.5,,不是水平方向的椭圆?而是135度的椭圆?)
下面是C#对这个协方差矩阵改变后的高斯模板的计算:
//协方差矩阵
// a*a P*a*d====3.3 0.5
// P*a*d d*d====0.5 3.3
int nWidowSize = 11;
double nSigma = 3.3;
double[] pdKernal_2 = new double[11 * 11];
double P = 0.5 / 3.3;
///二维高斯函数公式
// x*x+y*y 2*P*x*y ///
// (1-P*P)^(-1)( --------------- - ------------- )*(-1/2 ) ///
// 1 nSigma*nSigma nSigma*nSigma ///
// ---------------- *(sqrt(1-P*P))^(-1) *e ///
// 2*pi*nSigma*nSigma ///
///
int nCenter = (nWidowSize) / 2;
for (int i = 0; i < nWidowSize; i++)
{
for (int j = 0; j < nWidowSize; j++)
{
int nDis_x = i - nCenter;
int nDis_y = j - nCenter;
double temp = (nDis_x * nDis_x + nDis_y * nDis_y - 2 * P * nDis_x * nDis_y)/(1-P*P);
temp = temp / (nSigma * nSigma);
double r = Math.Sqrt(temp);//马氏距离
double 指数 = Math.Exp(-(1 / 2.0) * temp);
double 系数 = 1/Math.Sqrt(1 - P * P);
double temp2 = 系数*指数 / (2 * 3.1415926 * nSigma * nSigma);
pdKernal_2[i + j * nWidowSize] = (int)(temp2 * 1000);
}
}
下一节,椭圆画法,以及旋转椭圆的画法。
高斯判别算法GDA(吴恩达机器学习c#实践,生成高斯模板显示同心椭圆马氏距离,二)相关推荐
- 高斯判别算法GDA(吴恩达机器学习c#实践,生成高斯模板显示同心圆马氏距离,一)
首先实现P(x|y)=高斯函数(正态分布),即y是正态分布,是条件,我们把它还原到图像界面I(i,j)每一个像素,是结果. 这个实际就是生成高斯模板,我们前面有3*3的高斯生成算法,但是根本没有办法显 ...
- 高斯判别算法GDA(吴恩达机器学习c#实践,高斯模板上同心椭圆马氏距离画法,三)
先画一个水平椭圆吧!(参考计算机图形学基础) 以下是画旋转椭圆的C#代码: //因为是11*11,不妥,X12,所以改为44*44*3*3,最终放大了16倍 byte[] ga ...
- python 异常检测算法_吴恩达机器学习中文版笔记:异常检测(Anomaly Detection)
大数据文摘经授权转载 作者:黄海广 在接下来的一系列视频中,我将向大家介绍异常检测(Anomaly detection)问题.这是机器学习算法的一个常见应用.这种算法的一个有趣之处在于:它虽然主要用于 ...
- 西瓜书+实战+吴恩达机器学习(二二)概率图模型之马尔可夫随机场
文章目录 0. 前言 1. 马尔可夫随机场结构 2. 近似推断 2.1. Metropolis-Hastings 如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔,我会非常开心的~ 0. 前言 ...
- 【吴恩达机器学习】第五周课程精简笔记——代价函数和反向传播
Cost Function and Backpropagation(代价函数和反向传播) 1. Cost Function Let's first define a few variables tha ...
- 高斯判别算法GDA(吴恩达机器学习实践总结,四)
通过前面的实践,我们已经可以通过正态分布函数生成样本点,这是什么意思呢?其实也就是说,任意图像上的样本点如果能和我们的模板重合,我们就认为,这样的样本满足了正态分布,我们已经掌握,调整参数,生成不同的 ...
- 吴恩达机器学习笔记55-异常检测算法的特征选择(Choosing What Features to Use of Anomaly Detection)
吴恩达机器学习笔记55-异常检测算法的特征选择(Choosing What Features to Use of Anomaly Detection) 对于异常检测算法,使用特征是至关重要的,下面谈谈 ...
- 吴恩达机器学习6——机器学习算法改进、系统设计
吴恩达机器学习6 一.机器学习算法改进 1. 机器学习算法评价 1.1 评估模型 1.2 模型选择和交叉验证集 2. 偏差与方差 2.1 诊断偏差和方差 2.2 正则化和偏差/方差 2.3 学习曲线 ...
- 吴恩达机器学习(十四)推荐系统(基于梯度下降的协同过滤算法)
目录 0. 前言 1. 基于内容的推荐算法(Content-based recommendations) 2. 计算电影特征 3. 基于梯度下降的协同过滤算法(Collaborative filter ...
最新文章
- Mysql 安全登陆工具 mysql_config_editor
- Button的使用(五):从xml中加载
- mysql中如何删除多个表格_mysql怎么批量删除多个表?
- js 判断移动端还是pc端,ios或者android
- CDLinux破解各种无线网络
- 校园邮箱免费激活idea教程
- 电力系统分析第三章课后题(李庚银)
- 大数据讲课笔记5.5 MR案例——倒排索引
- Caml 多表关联查询
- 二合一笔记本电脑的全球与中国市场2022-2028年:技术、参与者、趋势、市场规模及占有率研究报告
- 剑灵灵动区服务器位置,《剑灵》这波电二合区,属实让我脑壳疼
- 怎么用java做动态壁纸_开发实时壁纸
- mac火狐浏览器不能打开任何网址问题解决方案!
- Win11玩游戏延迟高的解决办法
- 尚硅谷--Linux篇
- Android BLE(低功耗蓝牙)在Android不同版本的适配问题,华为Mate30扫描不到蓝牙模块
- 酒店企业私域流量运营方案来了
- WebSocketSSE实时动态数据展示
- photoscan(metashape)输出全景
- cannon的英文名_Cannon[坎农]英文名的中文翻译意思、发音、来源及流行趋势-千代英文名...