K-means 聚类 输入类的数目和特征向量，输出类使平方误差最小 方法 # 导入 numpy 和 matplotlib.pyplot import numpy as np import matplotlib.pyplot as plt # 随机生成数据 np.random.seed(0) # n

回顾 我们学习的传统 CV 方法几乎都集中于使用卷积： 直方图提取 Canny Edge Detection Harris Corner Detection 高斯模糊 LoG SIFT HOG 这一节我们还要简单接触一种基于频域的图像处理方法：离散余弦变换（Discrete cosine trans

本节是另一课程的内容，但也可以视为 CV 导论从 Classic Vision II 那一节的一个补充 SIFT 早在遇到语义分割以前，传统 CV 在处理目标识别的 equivariance 的问题时就已经举步维艰，但仍然有一些很不错的方法；我们首先回顾希望目标识别满足的 equivariance：

PIL from PIL import Image 打开图像 img = Image.open(path) 基本变换 img_resize = img.resize((400, 400), Image.Resampling.LANCZOS) img_gray = img.convert('L') i

这是 2025 春 计算机视觉导论的笔记 Todo: 内容杂乱无章，十分愚蠢，或许未来会润色语言使它便于阅读 Review 目标：Lane Detection 完成的部分：Edge Detection 现在的目标：从散点到直线，得到更好的 Line Fitting Least Square Meth

这是 2025 春 计算机视觉导论的笔记 Todo: 内容杂乱无章，十分愚蠢，或许未来会润色语言使它便于阅读 Images as Functions Image as a function 我们把图片看作一个函数 f，它从 \mathrm{R}^2 映到 \mathrm{R}^M, 其中 f(x,

OpenCV 基本操作 图像读取 import cv2 img_uint = cv2.imread(path) img_uint = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img = img_uint / 255. cv2 默认读取 BGR, uint8(0

回顾 我们之前做了什么： 我们观察到时间序列的 基本成分 有 Trend, Seasonal, Residual，并由此发展了 滑动窗口 方法和 STL 分解； 我们观察到有的时间序列具有 自相关性，建立了 AR 模型，并为此发展了 ACF/PACF 试验，引入了 平稳性，进行了 ADF 检验 和

模型 ARIMA 在自回归模型和滑动窗口的基础上，我们引入 ARIMA(p, d, q)： AR：自回归 I：差分 MA：滑动平均 p: 自回归项数 d: 平稳化序列所需的差分次数 q: 滑动平均项数 SARIMA 引入 Seasonal 参量 s: 季节周期长度 此后，模型结构可记作 SARIMA

本节涉及的概念我们大多熟悉，故不阐述原理，只记录使用sklearn进行线性回归和多项式回归的操作 一元线性回归 from sklearn.linear_model import LinearRegression x = np.array([1, 2, 3, 4]) y = np.array([2,