qq_48904748的博客

原创 四、OpenCV图像处理- 视频操作

目录1、视频读写1.1 视频读取与显示1.2 视频文件保存1.3 总结2、视频追踪2.1 meanshift原理2.2 meanshift实现2.3 camshift算法及总结

原创 三、OpenCV图像处理 - 图像特征提取与描述

目录1、角点特征2、Harris和Shi-tomas算法2.1 Harris检测原理2.2 Harris检测演示2.3 shi-tomas检点检测2.4 Harris和Shi-tomas总结3、SIFT / SURF算法3.1 SIFT算法简介3.1.1 基本流程3.1.2 SIFT算法-尺度空间极值点搜索和极值点定位3.1.3 SIFT算法-关键点方向及描述符3.2 SIFT算法总结及与SURF算法简介3.3 SIFT算法实现4、Fast和ORB算法4.1 Fast算法原理4.2 Fast算法实现4.3

原创 二、OpenCV图像处理-图像处理

目录1、连通性2、形态学操作2.1腐蚀和膨胀2.2开闭运算2.3礼帽和黑帽2.4总结3、图像平滑3.1图像噪声3.2均值滤波3.3高斯滤波3.4中值滤波3.5总结4、直方图4.1直方图的原理与显示4.2掩膜的应用4.3直方图均衡化4.4自适应均衡化4.5总结5、边缘检测5.1边缘检测原理5.2 sobel算子5.3 laplacian算子5.4 Canny边缘检测5.5总结6、模板匹配与霍夫变换6.1模板匹配6.2霍夫线变换原理6.3霍夫线检测6.4霍夫圆检测6.5总结

原创 作物生长模型

实例。

原创 四、若依从数据库

换成自己的。

原创 二、OpenCV图像处理-几何变换

目录1、几何变换1.1图像缩放1.2图像平移1.3图像旋转1.4仿射变换1.5透射变换1.6图像金字塔1.7总结1.2图像平移

原创 一、OpenCV的基本操作

OpenCV是一个功能强大的计算机视觉库，包含多个模块，如图像处理、视频分析、机器学习等。基础操作包括图像的IO操作、绘制几何图形、获取和修改像素点、获取图像属性、图像通道的拆分与合并以及色彩空间的转换。此外，OpenCV还支持图像的算术操作，如图像的加法和混合，这些操作可以用于图像增强和合成。通过这些功能，OpenCV能够处理各种图像处理任务，为计算机视觉应用提供强大的支持。

原创 三、深度学习总结01

原创 二、TensorFlow结构分析（5）案例

【代码】二、TensorFlow结构分析（5）案例。

原创 二、TensorFlow结构分析（4）

变量OP高级API。

原创 二、TensorFlow结构分析（3）

张量Tensor。

原创 二、TensorFlow结构分析（2）

【代码】二、TensorFlow结构分析（2）

原创 二、TensorFlow结构分析（1）

【代码】二、TensorFlow结构分析（1）

原创 一、深度学习介绍

目录1、深度学习与机器学习的区别1.1 特征提取方面1.2 数据量和计算性能要求1.3 算法代表2、深度学习应用场景

原创 七、机器学习总结

原创 六、回归与聚类算法 - K-means算法

目录1、K-means 聚类步骤2、API3、案例4、性能评估指标5、总结

原创 六、回归与聚类算法 - 模型保存与加载

模型保存与加载。

原创 六、回归与聚类算法 - 逻辑回归与二分类

分类算法：逻辑回归。

原创 六、回归与聚类算法 - 岭回归

线性回归的改进 - 岭回归。

原创 六、回归与聚类算法 - 欠拟合和过拟合

目录1、定义2、原因及解决方法2.1 正则化

原创 六、回归与聚类算法 - 线性回归

学习率：步长。

原创 五、分类算法 总结

【代码】五、分类算法 总结。

原创 四、分类算法 - 随机森林

sklearn转换器和估算器 KNN算法 模型选择和调优 朴素贝叶斯算法 决策树 随机森林1、集成学习方法2、随机森林3、随机森林原理4、API5、总结

原创 四、分类算法 - 决策树

获取数据数据处理缺失值处理特征值 -> 字典类型准备好特征值、目标值划分数据集特征工程：字典特征抽取决策树预估器流程模型评估。

原创 四、分类算法 - 朴素贝叶斯算法

目录1、朴素贝叶斯算法1.1 案例1.2 联合概率、条件概率、相互独立1.3 贝叶斯公式1.4 朴素贝叶斯算法原理1.5 应用场景2、朴素贝叶斯算法对文本进行分类2.1 案例2.2 拉普拉斯平滑系数3、API4、案例：20类新闻分类4.1 步骤分析4.2 代码分析5、总结朴素 + 贝叶斯5、总结

原创 四、分类算法 - 模型选择与调优

模型选择和调优。

原创 四、分类算法 - KNN算法（K-近邻算法）

获取数据数据集划分特征工程 - 标准化KNN预估器流程模型评估# 用KNN 算法对鸢尾花进行分类# 1、获取数据# 2、划分数据集# 3、特征工程 - 标准化# 4、KNN 算法预估器# 5、模型评估# 方法1 ：直接比对真实值和预测值print("直接比对真实值和预测值：\n",y_test == y_predict)# 方法2：计算准确率print("准确率为：\n",score)# 代码1 ：用KNN算法对鸢尾花进行分类knn_iris()

原创 四、分类算法 - sklearn转换器和估算器

目标值：分类sklearn转换器和估算器。

原创 三、机器学习概述总结

【代码】三、机器学习概述总结。

原创 二、特征工程 - 特征降维

数据中包含冗余或相关变量（或称特征、属性、指标等），旨在从原有特征中找出主要特征。

原创 二、特征工程 - 特征预处理

通过对原始数据进行变换把数据映射到（默认为[0,1]）之间注意如果最大值最小值是变化的，另外，最大值与最小值非常容易受异常点影响，所以这种方法鲁棒性（稳定性）较差，只适合传统精确小数据场景。通过对原始数据进行变换到均值为0，标准差为1的范围内在已有样本足够多的情况下比较稳定，适合现代嘈杂大数据前景# 获取数据集print("鸢尾花数据集：\n",iris)print("查看数据集描述：\n",iris["DESCR"])print("查看特征值的名字：\n",iris.feature_names)

原创 二、特征工程 - 特征抽取

获取数据集print("鸢尾花数据集：\n",iris)print("查看数据集描述：\n",iris["DESCR"])print("查看特征值的名字：\n",iris.feature_names)print("查看特征值：\n",iris.data,iris.data.shape)# 数据集划分# random_state=22 随机种子，因为随机种子是固定的，所以每次运行程序时都会得到相同的训练集和测试集# 这对于代码的可重复性和调试非常有用。

原创 二、特征工程 - 数据集

目录一、数据集1.1 可用数据集1.2 Scikit - learn工具介绍1、安装2、导入3、实例4、包含的内容1.3 sklearn数据集1、sklearn.datasets 2、sklearn小数据集3、sklearn大数据集1.4 数据集的返回值1.5 数据集的划分2、导入3、实例4、包含的内容分类、回归、聚类、降维、模型选择、特征工程加载获取流行数据集1.5 数据集的划分训练数据：用于训练，构建模型测试数据：在模型检验时使用，用于评估模型是

原创 一、机器学习概述

达特茅斯会议——人工智能的起点机器学习是人工智能的一个实现途径深度学习是机器学习的一个方法发展数据模型预测从历史数据中获得规律？这些历史数据是怎么样的格式？算法是核心，数据与计算是基础找准定位怎么做？机器学习库与框架 pytorch TensorFlow1）入门2）实战类书籍3）机器学习 - “西瓜书” - 周志华统计学习方法 - 李航深度学习 - “花书”

原创 关于代码设计的一些好用的网站

代码设计

原创 三、若依代码自动生成

1、先在数据库中创建一个表2、点击代码生成——>导入3、选择并确定4、根据需要进行编辑修改5、点击代码生成解压 运行sql语句 把前端和后端代码复制到相应地方

原创 二、若依框架目录讲解

原创 一、若依框架如何运行

redis配置

原创 cookie，localStorage，sessionStorage

【代码】cookie，localStorage，sessionStorage。

原创 vuex的学习

【代码】vuex的学习。