基于Kaggle Plant Seedlings Classification竞赛 不利用深度学习 只用特征提取和传统机器学习完成图像分类并达到78%的准确率
2021-12-31 11:06:25
1.19MB
1
资源包含Python源码和2页详细的报告。
实验内容：选取5个尺度，36个方向共180个二维模板对一幅图像（任取，可用作业1的图像）分别做二维卷积，得到180幅滤波结果图像，以此作为基准Gabor滤波结果。由于这个基准算法处理速度很慢，故请试着对该方法进行改进，改进方法在要求得到同样180个卷积的结果图像的前提下，尽量提高其处理速度。
2021-12-31 09:06:27
537KB
图像特征提取与分析
图像特征及特征提取的基本概念
常见的图像特征提取与描述方法，如颜色特征、纹理特征和几何形状特征提取与描述方法
2021-12-30 19:54:54
8.57MB
1
特征检测是计算机对一张图像中最为明显的特征进行识别检测并将其勾画出来。大多数特征检测都会涉及图像的角点、边和斑点的识别、或者是物体的对称轴。
角点检测 是由Opencv的cornerHarris函数实现，其他函数参数说明如下：
cv2.cornerHarris(src=gray, blockSize=9, ksize=23, k=0.04)
# cornerHarris参数：
# src - 数据类型为 float32 的输入图像。
# blockSize - 角点检测中要考虑的领域大小。
# ksize - Sobel 求导中使用的窗口大小
# k - Harris 角点检测方程中的自由
2021-12-30 19:45:19
1.96MB
1
深度学习是当前人工智能领域广泛使用的一种机器学习方法.深度学习对数据的高度依赖性使得数据需要处理的维度剧增，极大地影响了计算效率和数据分类性能.本文以数据降维为研究目标，对深度学习中的各种数据降维方法进行分析.在此基础上，以Caltech 101图像数据集为实验对象，采用VGG-16深度卷积神经网络进行图像的特征提取，以PCA主成分分析方法为例来实现高维图像特征数据的降维处理.在实验阶段，采用欧氏距离作为相似性度量来检验经过降维处理后的精度指标.实验证明：当提取VGG-16神经网络fc3层的4096维特征后，使用PCA法将数据维度降至64维，依然能够保持较高的特征信息.
2021-12-30 14:05:02
894KB
1