1. 基本原理 一种典型的非线性滤波器就是中值滤波器,它使用像素的一个领域内的灰度的中值来代替该像素的值.中值滤波器通常是处理椒盐噪声的一种有效的手段. 2. 测试结果 图源自skimage 3. 代码 import numpy as np def median_filter(input_image, filter_size): ''' 中值滤波器 :param input_image: 输入图像 :param filter_size: 滤波器大小 :return: 输出图像 注:此实现滤波器大

继上文继续写.有了顶点迭代器之后就可以利用MItMeshVertex类的getConnectedVertices方法来获取相连点并代入平滑算法. 选择什么样的平滑算法呢?本人比较懒,直接打开了计算机图形学(第四版)322页直接用bezier样条曲线的方法来做平滑.该算法的公式比较复杂,有大量阶乘计算,考虑到执行效率的问题,我决定简化这个式子,即在三点相连形成一条线的情况下,中间点的位置式子如下: x(u) = x0 *(2!/(0!*2!) )*(u^0)*((1-u)^2) + x1 *(2!

关于n-gram 语言模型,大部分在这篇博客里 记过了,   SRILM 语言模型格式解读 , 其实看完了,ngram的大概用法都比较清楚了, 但是关于平滑算法,一直很模糊,就晓得一个"劫富济贫" ,也不知 回退 ,插值,折扣,平滑,都说的什么东西,模模糊糊的,找了很多资料,还是看官方文档吧,看具体公式,就明白了.   看全部翻译 参考 :   Ngram 折扣平滑算法 ,本文里夹带着自己的一些理解.  本文档翻译自 srilm 手册ngram-discount.7.html NAME

本文档翻译自srilm手册ngram-discount.7.html     NAME ngram-discount – 这里主要说明srilm中实现的平滑算法   NOTATION a_z         代表以a为起始词,以z为结束词的ngram,其中_代表0个或多个词 p(a_z)     前n-1个词为a_的情况下,第n个词为z的条件概率 a_           n元a_z的前n-1个词构成的前缀 _z           n元a_z的后n-1个词构成的后缀 c(a_z)   n元a_

from:http://www.cnblogs.com/kemaswill/archive/2013/04/01/2993583.html 在时间序列中,我们需要基于该时间序列当前已有的数据来预测其在之后的走势,三次指数平滑(Triple/Three Order Exponential Smoothing,Holt-Winters)算法可以很好的进行时间序列的预测. 时间序列数据一般有以下几种特点:1.趋势(Trend)  2. 季节性(Seasonality). 趋势描述的是时间序列的整体走势

https://blog.csdn.net/left_la/article/details/6347373 感谢强大的google翻译. 我从中认识到了航位推算dead reckoning,立方体样条Cubic Splines 算法. 我单独查找了 Cubic Splines ,里面的原理简单说明: Cubic Splines 认为在 x 在[a, b]区间中,y对应是一条平滑的曲线,所以 y = f(x); 的一阶导函数和二阶导函数是平滑连续可导的. 拟定用三次方程,所以得出了一般的三次方程和

平滑降噪测试,代码如下 % 平滑降噪 % FFT变换和小波变换 clc clf clear length_of_sig=128; x=linspace(0,2*pi,length_of_sig); % signal=5*sin(x)+2*sin(5*x)+randn(x);书上的这个是错的,随机数里的参数要求是整数 raw=5*sin(x)+2*sin(5*x); signal=5*sin(x)+2*sin(5*x)+randn(1,length_of_sig); jiequ=16; trans

一.均匀圆阵(UCA, Uniform Circular Array)的MUSIC算法 假设一个半径为R的M元均匀圆阵的所有阵元均位于坐标系X-Y平面内,第k-1个阵元坐标为,第i个窄带信号波长为,来波方向为,如图1,则第k-1个阵元到圆心(即原点)的波程差为: 均匀圆阵 存在P个入射信号均匀圆阵的接收模型可表示为: 其他步骤与基于ULA的MUSIC算法一致. 令任意两阵元间的波程差为: 当时,即产生相位模糊.将均匀圆阵各阵元投影到入射方向,得到一个随入射方向变动的非均匀线阵.需要保证在任意入射

作者:桂. 时间:2018-04-24  22:04:52 链接:http://www.cnblogs.com/xingshansi/p/8934373.html 前言 本文为Jacobi并行拆解一文的补充,给出另一种矩阵运算的思路. 一.算法流程 对于复数相关矩阵R,通过矩阵变换,在维度不变的情况下,转化为实数矩阵: 对于MUSIC算法,该思路可以降低Jacobi运算复杂度.额外的操作仅仅是少量的乘法操作,即耗费少量硬件资源换取更快速的处理时间. 直接复数转实数,需要将nxn的矩阵扩展为2n

Wideband DOA Estimation. 语音信号以及野外的车辆信号的声音都是宽带信号,所以传统的窄带DOA算法(MUSIC,ESPRIT等)都不适用.需要采用宽带DOA算法来计算目标信号的波达角. 信号处理方法中,广泛采用的是分频处理方法.得益于快速傅里叶变换(FFT)在时频分析中的快速性,将宽带阵列信号模型划分为若干个窄带信号模型,进行DOA估计,并综合各频带上的数据得出最终的结果,比如取平均等. 主要分为两种算法:非相干信号子空间法(Incoherent signal subspa

大清早的我们就来做一个简单有趣的图像处理算法实现,作为对图像处理算法学习的开端吧.之所以有趣就在于笔者把算法处理的各个方式的处理效果拿出来做了对比,给你看到原图和各种处理后的图像你是否能够知道那幅图对应那种算法模式呢?嘻嘻,拭目以待吧 平滑的意义: 图像平滑image smoothing:压制.弱化或消除图像中的细节.突变.边缘和噪声,就是图像平滑化. 图像平滑是对图像作低通滤波,可在空间域或频率域实现.空间域图像平滑方法主要用低通卷积滤波.中值滤波等:频率域图像平滑常用的低通滤波器有低通梯形滤

作者:桂. 时间:2017-09-19  19:41:40 链接:http://www.cnblogs.com/xingshansi/p/7553746.html 前言 MUSIC(Multiple Signal Classification)算法通常用来进行到达角(DOA,Direction of arrival)估计. 一.MUSIC原理简介 根据前文的分析,模型依然建立在窄带信号的基础上: X为接收阵元,F为入射信号,a为对应的导向矢量,W为噪声.可直接记作矩阵形式 通常借助相关矩阵求解:

1.简介 SRILM是通过统计方法构建语言模型,主要应用于语音识别,文本标注和切分,以及机器翻译等. SRILM支持语言模型的训练和评测,通过训练数据得到语言模型,其中包括最大似然估计及相应的平滑算法:评测是计算测试集的困惑度.其最基础和最核心的模块是n-gram模块,包括两个工 具:ngram-count和ngram,被用来估计语言模型和计算语言模型的困惑度. 2.使用方法 (1).语料初始化 a.数据清洗        b.分词(以空格划分)        c.将数据分为训练集和测试集 (2

贪婪投影三角化算法是一种对原始点云进行快速三角化的算法,该算法假设曲面光滑,点云密度变化均匀,不能在三角化的同时对曲面进行平滑和孔洞修复. 方法: (1)将三维点通过法线投影到某一平面 (2)对投影得到的点云作平面内的三角化 (3)根据平面内三位点的拓扑连接关系获得一个三角网格曲面模型 在平面区域的三角化过程中用到了基于Delaunay的空间区域增长算法,该方法通过选取一个样本三角片作为初始曲面,不断扩张曲面边界,最后形成一张完整的三角网格曲面,最后根据投影点云的连接关系确定各原始三维点间的拓扑

1 排序 排序基本信息 稳定性:排序前大的数在排序后,大的数依然保持不变就是稳定排序,反之不稳定 内外排序:根据待排序的记录是否放在内存里面区分的.诸如:插入排序(直接插入&希尔).交换排序(冒泡&快排).选择排序(简单选择&堆排).归并排序(归并). 算法性能影响:时间性能.辅助空间.算法复杂性(算法本身的复杂度跟时间复杂度区分开). 简单算法:冒泡排序.简单选择排序.直接插入排序 改进算法:希尔排序(不稳定).堆排序(不稳定).归并排序.快排(不稳定) 总之:排序四大类,简单有

现在这个社会发展的太快,到处都充斥着各种各样的资源,各种开源的平台,如github,codeproject,pudn等等,加上一些大型的官方的开源软件,基本上能找到各个类型的代码.很多初创业的老板可能都曾经说过基本上我的程序员不需要自己写算法,但是他们要学会搜索,强有力的搜索能力基本能解决可能会遇到的一切问题,比如前一段时间流行的prisma滤镜,现在你在github上能找到一大堆了. 可我想表达的并不是这个,上述这个情况确实是正确的.但是,我相信这个世界上90%的开源代码是垃圾代码,还有9%的

题出自https://leetcode.com/problems/rotate-image/ 内容为: You are given an n x n 2D matrix representing an image. Rotate the image by 90 degrees (clockwise). Follow up: Could you do this in-place? 简单的说就是给出一个n*n的二维数组,然后把这个数组进行90度顺时针旋转,而且不能使用额外的存储空间. 最初拿到这道题

原文链接:http://www.cnblogs.com/chaosimple/p/3164775.html#undefined 1.DBSCAN简介 DBSCAN(Density-Based Spatial Clustering of Applications with Noise,具有噪声的基于密度的聚类方法)是一种基于密度的空间聚类算法.该算法将具有足够密度的区域划分为簇,并在具有噪声的空间数据库中发现任意形状的簇,它将簇定义为密度相连的点的最大集合. 该算法利用基于密度的聚类的概念,即要求

本路由继承自AbstactRouter,参数只有EditPart(编辑器内容控制器),gridLength(寻路用单元格大小),style(FLOYD,FLOYD_FLAT,FOUR_DIR). 字符集编码为GBK,本文只做简单的代码解析,源码戳我 如果源码不全,可以联系本人. 算法实现主要有三: 1.Astar单向寻路 2.地图预读 3.弗洛伊德平滑算法 Astar寻路的实现: ANode minFNode = null; while (true) { minFNode = findMinNo

1.DBSCAN简介 DBSCAN(Density-Based Spatial Clustering of Applications with Noise,具有噪声的基于密度的聚类方法)是一种基于密度的空间聚类算法.该算法将具有足够密度的区域划分为簇,并在具有噪声的空间数据库中发现任意形状的簇,它将簇定义为密度相连的点的最大集合. 该算法利用基于密度的聚类的概念,即要求聚类空间中的一定区域内所包含对象(点或其他空间对象)的数目不小于某一给定阈值.DBSCAN算法的显著优点是聚类速度快且能够有效处

Flody  大家都知道这个最终模版: for(int k=1;k<=n;k++) for(int i=1;i<=n;i++) for(int j=1;j<=n;j++) dis[i][j]=min(dis[i][j],dis[i][k]+dis[k][j]); 那大家知道这个模版是怎么得出的吗? 核心思路:动态规划. 初始版本: 初始数组:dis(三维数组) dis[i][j][k]表示i号到j号(只经过1~k号点)的路径 dis[i][j][0]=a[i][j](输入的数组). di