本内容 来自微信公众平台：机器学习之窗 以及 http://www.cnblogs.com/kaituorensheng/p/3579347.html在模式识别领域中，最近邻居法（KNN算法，又译K-近邻算法）是将在特征空间中最接近的训练样本进行分类的方法。最近邻居法采用向量空间模型来分类，概念.....
分类：
编程语言 时间：
2014-10-29 18:58:24
阅读次数：
387
本文介绍一种用于高维空间中的快速最近邻和近似最近邻查找技术——Kd-Tree（Kd树）。Kd-Tree，即K-dimensional
tree，是一种高维索引树形数据结构，常用于在大规模的高维数据空间进行最近邻查找(Nearest Neighbor)和近似最近邻查找(Approximate Nearest Neighbor)，例如图像检索和识别中的高维图像特征向量的K近邻查找与匹配。本文首先介...
分类：
编程语言 时间：
2014-10-22 11:03:01
阅读次数：
368
Kd-树 其实是K-dimension tree的缩写，是对数据点在k维空间中划分的一种数据结构。其实，Kd-树是一种平衡二叉树。举一示例：假设有六个二维数据点 = {（2,3），（5,4），（9,6），（4,7），（8,1），（7,2）}，数据点位于二维空间中。为了能有效的找到最近邻，Kd-树采用...
分类：
其他好文 时间：
2014-10-19 18:18:57
阅读次数：
370
1、k-近邻算法算法原理：存在一个样本数据集（训练样本集），并且我们知道样本集中的每个数据与其所属分类的对应关系。输入未知类别的数据后将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似（最近邻）的k组数据。然后将k组数据中出现次数最多的分类，来作为新数据的分类。算法步...
分类：
其他好文 时间：
2014-10-12 20:39:28
阅读次数：
199
一、stitching_detail程序运行流程
1.命令行调用程序，输入源图像以及程序的参数
2.特征点检测，判断是使用surf还是orb，默认是surf。
3.对图像的特征点进行匹配，使用最近邻和次近邻方法，将两个最优的匹配的置信度保存下来。
4.对图像进行排序以及将置信度高的图像保存到同一个集合中，删除置信度比较低的图像间的匹配，得到能...
分类：
其他好文 时间：
2014-09-23 21:25:45
阅读次数：
1887
K近邻很简单。简而言之，对于未知类的样本，按照某种计算距离找出它在训练集中的k个最近邻，如果k个近邻中多数样本属于哪个类别，就将它判决为那一个类别。由于采用k投票机制，所以能够减小噪声的影响。由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较...
分类：
其他好文 时间：
2014-09-13 20:04:05
阅读次数：
241
在图像缩放，旋转等一些图像处理中，对图像进行插值是不可缺少的一个步骤，下面对一些常用的插值算法进行介绍：1.最近邻插值这种插值方法是最简单的一种插值算法，图像输出的像素值的大小直接设为与其最邻近的点的大小即可，这个算法最简单，不需要多说，可以表示为f(x,y) = g( round(x) , ro....
分类：
其他好文 时间：
2014-09-13 11:59:25
阅读次数：
223
最近邻问题（nearest neighbor problem）可以定义如下：给定n个对象的集合并建立一个数据结构，当给定任意的要查询对象时，该数据结构返回针对查询对象的最相似的数据集对象。LSH的基本思想是利用多个哈希函数把高维空间中的向量映射到低维空间，利用低维空间的编码来表示高维向量。通过对向量对象进行多次哈希映射，高维向量按照其分布以及自身的特性落入不同哈希表的不同桶中。在理想情况下可以认为在高维空间中位置比较接近的向量对象有很大的概率最终落入同一个桶中，而距离比较远的对象则以很大的概率落入不同的桶中...
分类：
其他好文 时间：
2014-07-29 14:25:28
阅读次数：
219
原理挺简单，不啰嗦，直接上代码了
void ImgResize(uchar* pSrcImg, uchar* pDstImg, int srcW, int srcH, int dstW, int dstH)
{
double rateH = (double)srcH /(double) dstH;
double rateW = (double)srcW / (double)dstW;
f...
分类：
其他好文 时间：
2014-07-29 13:04:07
阅读次数：
277
高维数据的可伸缩最近邻算法FLANN
1. 简介
在计算机视觉和机器学习中，对于一个高维特征，找到训练数据中的最近邻计算代价是昂贵的。对于高维特征，目前来说最有效的方法是 the randomized k-d forest和the priority search k-means tree，而对于二值特征的匹配 multiple hierarchical clusteringtrees则...
分类：
其他好文 时间：
2014-07-15 10:42:24
阅读次数：
727
