直方图

一、直方图比较 对输入的两张图像计算得到直方图H1与H2，归一化到相同的尺度空间，然后可以通过计算H1与H2的之间的距离得到两个直方图的相似程度，进而比较图像本身的相似程度。 Opencv提供的比较方法有四种 Correlation 相关性比较 -（计算结果范围为 -1到1 -1很不相关，1完全一样 ） Chi-Square 卡方比较 -（计算结果越接近0，两个直方图越相似） Intersection 十字交叉性 -（计算公式为取两个直方图每个相同位置的值的最小值，然后求和，这个比较方式不是很好，不建议使用） Bhattacharyya distance 巴氏距离 - （比较结果是很准的，计算结果范围为 0-1 ，0表示两个直方图非常相关，1最不相似） 二、相关性计算(CV_COMP_CORREL) 三、卡方计算(CV_COMP_CHISQR) 四、十字计算(CV_COMP_INTERSECT) 五、巴氏距离计算(CV_COMP_BHATTACHARYYA ) 六、步骤 首先把图像从RGB色彩空间转换到HSV色彩空间 cvtColor 计算图像的直方图，然后归一化到[0~1]之间calcHist和normalize; 使用上述四种比较方法之一进行比较compareHist compareHist ( InputArray h1 , // 直方图数据，下同 InputArray H2

1、LightGBM简介 　　LightGBM是一个梯度Boosting框架，使用基于决策树的学习算法。它可以说是分布式的，高效的，有以下优势： 　　1）更快的训练效率 　　2）低内存使用 　　3）更高的准确率 　　4）支持并行化学习 　　5）可以处理大规模数据 　　与常见的机器学习算法对比，速度是非常快的 　　 2、XGboost的缺点 　　在讨论LightGBM时，不可避免的会提到XGboost，关于XGboost可以参考 此博文 　　关于XGboost的不足之处主要有： 　　1）每轮迭代时，都需要遍历整个训练数据多次。如果把整个训练数据装进内存则会限制训练数据的大小；如果不装进内存，反复地读写训练数据又会消耗非常大的时间。 　　2）预排序方法的时间和空间的消耗都很大 3、LightGBM原理 　　1）直方图算法 　　直方图算法的基本思想是先把连续的浮点特征值离散化成kk个整数，同时构造一个宽度为kk的直方图。在遍历数据的时候，根据离散化后的值作为索引在直方图中累积统计量，当遍历一次数据后，直方图累积了需要的统计量，然后根据直方图的离散值，遍历寻找最优的分割点。在XGBoost中需要遍历所有离散化的值，而在这里只要遍历kk个直方图的值。 　　 　　使用直方图算法有很多优点。首先，最明显就是内存消耗的降低，直方图算法不仅不需要额外存储预排序的结果，而且可以只保存特征离散化后的值。

直方图反向投影 1、先把RGB色彩空间转换为HSV色彩空间 2、计算样本的2D直方图 3、对样本直方图作归一化 4、对目标图像作反向投影 import cv2 as cv import numpy as np from matplotlib import pyplot as plt def back_project_demo(): sample = cv.imread('C:/Users/Y/Pictures/Saved Pictures/lena.png') target = cv.imread('C:/Users/Y/Pictures/Saved Pictures/lenanoise.png') roi_hsv = cv.cvtColor(sample, cv.COLOR_BGR2HSV) target_hsv = cv.cvtColor(target, cv.COLOR_BGR2HSV) # show iamges cv.imshow('sample', sample) cv.imshow('target', target) # 计算样本的2D直方图，[0, 1]表示2个通道，[180，256]分别表示两个通道的范围，[0,180,0,256]是固定的值，不用改 # 是HSV两个通道的取值范围 # [180,256]这两个值的数值越大，对像素的划分越精细，图像看起来越不准确

（个人理解，对于RGB图像，每个通道的像素值在0-255之间，共256个值，所以Bin的数目是256。加入图像是14位的，则图像一共有 个像素值。故一个Bin的大小是64，所以统计得到的直方图x轴是0-255，y轴是0-64。） import cv2 as cv import numpy as np from matplotlib import pyplot as plt def plot_demo(image): # ravel把出现的频次都统计出来，范围是0-256 plt.hist(image.ravel(), 256, [0, 256]) plt.show() def image_hist(image): color = ('blue', 'green', 'red') for i, color in enumerate(color): hist = cv.calcHist([image], [i], None, [256], [0, 256]) plt.plot(hist, color=color) plt.xlim([0, 256]) plt.show() src = cv.imread('C:/Users/Y/Pictures/Saved Pictures/demo.png') cv.namedWindow('input image', cv.WINDOW

一、图像及其类型 图像（image）的定义是： 在一般意义下，一幅图像是一个物体或对象（object）的另一种表示。亦即图像是其所表示物体或对象信息的一个直接描述和浓缩表示。简而言之，即图像是物体在平面坐标上的直观再现。一幅图像包含了所表示物体的描述信息和特征信息，或者说图像是与之对应的物体或抽象的一个真实表示，这个表示可以通过某些技术手段实现。 数字图像处理（digital image processing）： 又称为计算机图像处理，它是通过计算机对图像进行去除噪声、增强、变换、复原、分割、特征提取、识别等运算与处理。 图像的分类： 可见图像（visible image）： 是指视觉系统可以直接看见的图像，这也是大多数人在日常生活中所见到的和所理解的图像，这一类图像一般通过照像、手工绘制等传统方法获得，通常计算机不能直接处理，但是经过数字化处理后可变为数字图像。 物理图像（physical image）： 所反映的是物体的电磁波辐射能，包括可见光和不可见光图像。 数字图像（maths image） ：指由连续函数或离散函数生成的抽象图像，其中离散函数所生成的图像就是计算机可以处理的数字图像。 其他相关概念： 计算机图形学（computer graphic）： 是指利用计算机技术将概念或数学描述所表示的物体（非实物）图像进行处理和显示的过程。 计算机视觉（computer

实验内容 对左侧图像进行单阈值、多阈值分割，分别得到右侧的结果。请大家实现这两种方法的分割，对比单阈值与多阈值以及不同阈值的分割效果。 实验一：单阈值分割 方法一：人工阈值选择法： 阈值分割最简单的方法就是人工选择法。基于灰度阈值的分割方法，其关键是如何合理的选择阈值。人工选择方法是通过人眼的观察，应用人对图像的知识，在分析图像直方图的基础上，人工选择出合理的阈值。也可以在人工选择出阈值后，根据分割的效果，不断地进行交互操作，从而选择出最佳的阈值。首先，图像的原图如下： 其次，利用imhist（）函数显示出图像的灰度直方图： 通过观察图像灰度直方图可以发现，在150-200之间的灰度值出现很少，而在两边出现了明显的两个高峰，因此根据人工选择阈值法选取183作为图像的阈值分割点，得到的实验效果图如下图所示： 通过观察可以发现人工阈值选择法成功得出了实验效果图，利用灰度直方图的峰谷阈值方法是一种有效且简单的阈值方法，但是该方法有一个局限性，就是要求图像的灰度直方图必须具有双峰型。 方法二：Ostu法： Ostu法是一种使类间方差最大的自动确定阈值的方法，该方法具有简单、处理速度快的特点，是一种常用的阈值选取方法。算法的具体步骤如下： 1、给定一个初始阈值Th，将图像分为C1和C2两类。 2、分别计算出每个灰度值在图像矩阵中的个数，存放在count（）矩阵当中。 3

单调栈 一个单调递增（递减）的栈。在题目应用中主要是对栈的 维护 ，通过判断和出入栈操作对栈进行维护，使之保持单调的状态。 维护 判断栈顶元素与数组元素的大小，如果 栈顶元素 < 数组元素 使栈顶元素出栈，如果 栈顶元素 > 数组元素 使数组元素入栈。 一个单调递减栈的例子： 进栈元素分别为3，4，2，6，4，5，2，3 3进栈：（3） 3出栈，4进栈：（4） 2进栈：（4，2） 2出栈，4出栈，6进栈：（6） 4进栈：（6，4） 4出栈，5进栈：（6，5） 2进栈：（6，5，2） 2出栈，3进栈：（6，5，3） 直方图是由在公共基线处对齐的一系列矩形组成的多边形。 矩形具有相等的宽度，但可以具有不同的高度。 例如，图例左侧显示了由高度为2,1,4,5,1,3,3的矩形组成的直方图，矩形的宽度都为1： 题目——直方图中的最大矩形 通常，直方图用于表示离散分布，例如，文本中字符的频率。 现在，请你计算在公共基线处对齐的直方图中最大矩形的面积。 图例右图显示了所描绘直方图的最大对齐矩形。 输入格式 输入包含几个测试用例。 每个测试用例占据一行，用以描述一个直方图，并以整数n开始，表示组成直方图的矩形数目。 然后跟随n个整数h1，…，hn。 这些数字以从左到右的顺序表示直方图的各个矩形的高度。 每个矩形的宽度为1。 同行数字用空格隔开。 当输入用例为n=0时，结束输入，且该用例不用考虑。

直接用matplotlib画出直方图 def plot_demo(image): plt.hist(image.ravel(), 256, [0, 256]) # image.ravel()将图像展开，256为bins数量，[0, 256]为范围 plt.show() 图像直方图 def image_hist(image): color = ('blue', 'green', 'red') for i, color in enumerate(color): # 计算出直方图，calcHist(images, channels, mask, histSize(有多少个bin), ranges[, hist[, accumulate]]) -> hist # hist 是一个 256x1 的数组，每一个值代表了与该灰度值对应的像素点数目。 hist = cv.calcHist(image, [i], None, [256], [0, 256]) print(hist.shape) plt.plot(hist, color=color) plt.xlim([0, 256]) plt.show() 直方图均值化 是图像增强的一个手段 def equalHist_demo(image): gray = cv.cvtColor(image,cv.COLOR_BGR2GRAY) #

matplotlib 箱线图 叠加 直方图 OriginPro 里箱线图叠加直方图很不错，尝试了使用matplotlib达到类似效果 import matplotlib . pyplot as plt import numpy as np ## 借用帮助文件中的数据 # Fixing random state for reproducibility np . random . seed ( 19680801 ) # fake up some data spread = np . random . rand ( 50 ) * 100 center = np . ones ( 25 ) * 50 flier_high = np . random . rand ( 10 ) * 100 + 100 flier_low = np . random . rand ( 10 ) * - 100 data = np . concatenate ( ( spread , center , flier_high , flier_low ) ) fig = plt . figure ( ) # basic plot left , bottom , width , height = 0.1 , 0.1 , 0.8 , 0.8 ax1 = fig . add_axes ( [ left , bottom

最近常被一些人问到关于SQL Server中统计的问题，这些问题是： 是否需要关注数据库中统计的多少？ 统计对象使用多个空间 就执行SQL语句来说，查询优化器使用索引或列的分布统计信息来选择最佳的策略或计划；如果缺少统计信息或统计信息过期，性能会受到影响。在回答这些问题前，需要介绍一些关于分布统计的背景知识：什么是分布统计、其重要性、如何创建、更新、显示或查询。 分布统计的定义 在介绍之前，不得不推荐的一些关于Holger Schmeling写的一系列关于统计的文章，强烈建议仔细阅读，我认为是最有价值的。 简单地说，统计（包含索引或列中的数据分布的一种映射或直方图）用于选取最好的查询执行计划；当系统正常时，你不必担心这些，这么说的原因是他们是自动创建的，随着数据的变化也保持自动更新，如果查询优化器‘编译’查询时，如果没有找到可用的统计来判断表或索引中的数据分布状态，数据库会在需要时自动创建一个，例如当你在WHERE子句中使用列过滤或在某列上进行DISTINCT操作时。 下面我们一起来看一下统计对象的直方图（Histogram），直方图主要衡量数据集中每一个非重复值的发生次数，查询优化器根据统计对象的第一个键列的值计算出一个直方图，通常一个直方图最多有200个值。 查看统计的详细信息，可以使用如下的命令： 1: DBCC SHOW_STATISTICS (Tab1, Stats