直方圖均衡化的案例
13 python數據可視化（精講直方圖）
00 載入擴展庫
import numpy as np
import matplotlib.pyplot as plt
01 直方圖
x=np.random.randint(0,10,100)
bins=np.arange(0,11,1)
plt.hist(x,bins=bins,rwidth=0.5,align='left',color='r')
02 堆積（疊加）
x=np.random.randint(0,10,100)
y=np.random.randint(0,10,50)
bins=np.arange(0,11,1)
plt.hist([x,y],bins=bins,rwidth=0.5,align='left',stacked=True,color=['b','g'])
03 并列
x=np.random.randint(0,10,100)
y=np.random.randint(0,10,50)
z=np.random.randint(0,10,30)
bins=np.arange(0,11,1)
plt.hist([x,y,z],bins=bins,rwidth=0.5,align='left',stacked=False,color=['b','g','m'])
展開 13 python數據可視化（精講直方圖）
00 載入擴展庫
import numpy as np
import matplotlib.pyplot as plt
01 直方圖
x=np.random.randint(0,10,100)
bins=np.arange(0,11,1)
plt.hist(x,bins=bins,rwidth=0.5,align='left',color='r')
02 堆積（疊加）
x=np.random.randint(0,10,100)
y=np.random.randint(0,10,50)
bins=np.arange(0,11,1)
plt.hist([x,y],bins=bins,rwidth=0.5,align='left',stacked=True,color=['b','g'])
03 并列
x=np.random.randint(0,10,100)
y=np.random.randint(0,10,50)
z=np.random.randint(0,10,30)
bins=np.arange(0,11,1)
plt.hist([x,y,z],bins=bins,rwidth=0.5,align='left',stacked=False,color=['b','g','m'])
展開 機器學習實踐指南:案例應用解析(第二版)PDF高清文檔下載
數據散點圖 162
5.4.4 五分位數 164
5.4.5 累積分布函數 165
5.4.6 核密度估計 166
5.5 數據分布分析 167
5.6 小結 169
思考題 170
第6章 描述性分析案例 171
6.1 數據圖形化案例解析 171
6.1.1 點圖 171
6.1.2 餅圖和條形圖 172
6.1.3 莖葉圖和箱線圖 173
6.2 數據分布趨勢案例解析 175
6.2.1 平均值 175
6.2.2 加權平均值 175
6.2.3 數據排序 176
6.2.4 中位數 177
6.2.5 極差、半極差 177
6.2.6 方差 178
6.2.7 標準差 178
6.2.8 變異系數、樣本平方和 178
6.2.9 偏度系數、峰度系數 179
6.3 正態分布案例解析 180
6.3.1 正態分布函數 180
6.3.2 峰度系數分析 181
6.3.3 累積分布概率 181
6.3.4 概率密度函數 182
6.3.5 分位點 183
6.3.6 頻率直方圖 185
6.3.7 核概率密度與正態概率分布圖 185
6.3.8 正態檢驗與分布擬合 186
6.3.9 其他分布及其擬合 188
6.4 多變量分析 189
6.4.1 多變量數據分析 189
6.4.2 多元數據相關性分析 197
6.5 小結 201
思考題 201
第7章 假設檢驗與回歸模型案例 202
7.1 假設檢驗 202
7.1.1 二項分布假設檢驗 202
7.1.2 數據分布檢驗 204
7.1.3 正態總體均值檢驗 205
7.1.4 列聯表 206
7.1.5 符號檢測 207
7.1.6 秩相關檢驗 210
7.1.7 Kendall相關檢驗 213
7.2 回歸模型 214
7.2.1 回歸預測與顯著性檢驗 214
7.2.2 回歸診斷 216
7.2.3 回歸優化
展開 一文概括機器視覺常用算法以及常用開發庫
灰度變換增強（線性灰度變換、分段線性灰度變換、非線性灰度變換）；
直方圖增強（直方圖統計、直方圖均衡化）；
圖像平滑/降噪（鄰域平均法、加權平均法、中值濾波、非線性均值濾波、高斯濾波、雙邊濾波）；
圖像（邊緣）銳化：梯度銳化，Roberts算子、Laplace算子、Sobel算子等；
3、紋理分析（取骨架、連通性）；
4、圖像分割：
圖像分割是將圖像中有意義的特征部分提取出來，其有意義的特征有圖像中的邊緣、區域等，這是進一步進行圖像識別、分析和理解的基礎。
難以置信！一篇文章就梳理清楚了 Python OpenCV 的知識體系
17
圖像直方圖計算及繪制
先掌握直方圖相關概念，在掌握核心函數，最后通過 matplotlib 模塊對直方圖進行繪制。計算直方圖用到的函數是 cv2.calcHist()。
直方圖相關應用：
直方圖均衡化 cv2.equalizeHist()；
直方圖對比 cv2.compareHist()；
反向投影 cv2.calcBackProject()。
18
模板匹配
模板匹配是在一幅圖像中尋找與另一幅模板圖像最匹配（相似）部分的技術。
核心用到的函數如下：
模板匹配 cv2.matchTemplate()；
矩陣歸一化 cv2.normalize()；
尋找最值 cv2.minMaxLoc()。
展開 水上無人系統研究進展及其面臨的挑戰
在環境感知方法方面，有關文獻針對激光雷達點云數據，采用中值濾波和點云數據聚類方法實現了海面障礙檢測，有文獻利用深度學習的高維特征泛化學習能力，將卷積神經網絡用于雜波背景下海上微動目標的檢測和分類，有文獻針對低照度海上目標識別過程中熱像儀圖像存在干擾的情形，利用直方圖均衡化的方法增強了目標與背景之間的對比度，有文獻針對無人艇在水面環境中拍攝的圖像經常受到水汽或海霧的影響而出現模糊的問題，提出了水面圖像去霧算法的硬件加速方案，有文獻為了提高多目標艦船視覺跟蹤算法的實時性和魯棒性，提出了改進的多目標艦船自動跟蹤算法，有文獻從多個方面探討了無人艇光視覺感知的研究進展，包括基于水面無人艇的水面圖像預處理，水界線的檢測，利用光視覺的目標檢測，以及水面目標跟蹤方法。《中國海洋大學學報》則在2017年第2期專門組織了海上船只目標監視檢測技術專輯。
無人艇的航跡規劃粗略地可分為全局規劃和局部規劃兩個部分。全局規劃通常是靜態離線的，針對電子海圖上已標注的障礙物信息和氣象水文條件等航路約束規劃出時間或者能耗最優路徑。局部規劃一般是動態在線進行的，根據實時感知的未在電子海圖上標注的動態和靜態障礙物信息，修正航跡，實現對障礙物的避障。但這種劃分并不是絕對的。
在航跡規劃方面，采用的主要方法包括基于優化算法的方法、基于規則的方法和基于強化學習的方法。有文獻提出了無人艇的協同任務規劃和自主決策技術，開發了一種基于快速擴展隨機樹算法的路徑規劃方法。有文獻]研究了在網格地圖中基于有限角速率的航跡規劃算法。有文獻提出了基于電子海圖柵格化建立環境模型的遺傳算法，可實現全局路徑快速搜索。有文獻研究了動態環境下的避障問題，給出了多艘無人艇之間的避障解決方法。有文獻針對傳統方法控制律過于復雜的問題，基于深度Q網絡架構提出了簡化深度強化學習避障方法。
展開 