23.1 傅里叶变换 目标 本小节我们将要学习： • 使用 OpenCV 对图像进行傅里叶变换 • 使用 Numpy 中 FFT（快速傅里叶变换）函数 • 傅里叶变换的一些用处 • 我们将要学习的函数有：cv2.dft()，cv2.idft() 等 原理 傅里叶变换经常被用来分析不同滤波器的频率特性。我们可以使用 2D 离 散傅里叶变换 (DFT) 分析图像的频域特性。实现 DFT 的一个快速算法被称为 快速傅里叶变换（FFT）。关于傅里叶变换的细节知识可以在任意一本图像处 理或信号处理的书中找到。请查看本小节中更多资源部分。 对于一个正弦信号：x (t) = A sin (2πft), 它的频率为 f，如果把这个信号 转到它的频域表示，我们会在频率 f 中看到一个峰值。如果我们的信号是由采 样产生的离散信号好组成，我们会得到类似的频谱图，只不过前面是连续的， 现在是离散。你可以把图像想象成沿着两个方向采集的信号。所以对图像同时 进行 X 方向和 Y 方向的傅里叶变换，我们就会得到这幅图像的频域表示（频谱 图）。 更直观一点，对于一个正弦信号，如果它的幅度变化非常快，我们可以说 他是高频信号，如果变化非常慢，我们称之为低频信号。你可以把这种想法应 用到图像中，图像那里的幅度变化非常大呢？边界点或者噪声。所以我们说边 界和噪声是图像中的高频分量（注意这里的高频是指变化非常快，而非出现的 次数多）。如果没有如此大的幅度变化我们称之为低频分量。 现在我们看看怎样进行傅里叶变换。 23.1.1 Numpy 中的傅里叶变换 首先我们看看如何使用 Numpy 进行傅里叶变换。Numpy 中的 FFT 包 可以帮助我们实现快速傅里叶变换。函数 np.fft.fft2() 可以对信号进行频率转 换，输出结果是一个复杂的数组。本函数的第一个参数是输入图像，要求是灰 度格式。第二个参数是可选的, 决定输出数组的大小。输出数组的大小和输入图 像大小一样。如果输出结果比输入图像大，输入图像就需要在进行 FFT 前补 0。如果输出结果比输入图像小的话，输入图像就会被切割。 146 www.linuxidc.com

该文档详细讲述了贝叶斯网工具箱的使用，利于贝叶斯网初学者！

为进一步提高个性化标签推荐性能，针对标签数据的稀疏性以及传统方法忽略隐藏在用户和项目上下文中潜在标签的缺陷，提出一种基于潜在标签挖掘和细粒度偏好的个性化标签推荐方法。首先，提出利用用户和项目的上下文信息从大量未观测标签中挖掘用户可能感兴趣的少量潜在标签，将标签重新划分为正类标签、潜在标签和负类标签三类，进而构建〈用户，项目〉对标签的细粒度偏好关系，在缓解标签稀疏性的同时，提高对标签偏好关系的表达能力；然后，基于贝叶斯个性化排序优化框架对细粒度偏好关系进行建模，并结合成对交互张量分解对偏好值进行预测，构建细粒度的个性化标签推荐模型并提出优化算法。对比实验表明，提出的方法在保证较快收敛速度的前提下，有效地提高了个性化标签的推荐准确性。

所谓自动聚焦技术，就是利用自动化技术使一个光学成像系统在成像的时候能自动地调节，使图像传感器能达到最佳的聚焦位置，使图像最清晰。在自动聚焦系统中，数字摄像头采集观察目标的图像，传送给计算机，然后对图像中部分区域使用清晰度评价函数进行评价，根据计算结果对执行机构进行控制，使图像传感器进行移动，以此来获得更加准确的、聚焦程度更高的清晰图像。 将数字图像经傅里叶变换后得到频谱图，计算频谱图中的高频分量，以此作为图像清晰程度的判据

朴素贝叶斯分类器，包含源代码，IRIS数据集，实测有效

对8位、24位bmp图像进行基2FFT，包括选择通道。

在这个压缩文件中包含了一个FFT类以及一个复数类，实现了快速傅里叶变换及其反变换（FFT和IFFT）以及复数的运算。综合考虑各细节使碟形算法达到最高的效率。头文件中还包括了FFT类的使用方法。 此算法的准确性经过多人多次验证，已是毋庸置疑了。上传此文件是希望帮助正在学习的同志加速开发，以及希望高手们看完后不吝赐教。

贝叶斯网络可视化工具genie_academic最新版，具有参数学习、结构学习等功能。学术版，请勿用于商业用途。

朴素贝叶斯垃圾邮件代码。朴素贝叶斯垃圾邮件代码。朴素贝叶斯垃圾邮件代码

IsingFit 该网络估计程序eLasso基于Ising模型，将l1正则逻辑回归与基于扩展贝叶斯信息准则（EBIC）的模型选择相结合。 EBIC是一种适合的度量，用于识别变量之间的相关关系。 生成的网络由变量（作为节点）和相关关系（作为边）组成。 可以处理二进制数据。