Classification分类halcon算子,持续更新

目录

  • Classification
    • Gaussian Mixture Models高斯混合模型
          • add_class_train_data_gmm
          • add_sample_class_gmm
          • classify_class_gmm
          • clear_class_gmm
          • clear_samples_class_gmm
          • create_class_gmm
          • deserialize_class_gmm
          • evaluate_class_gmm
          • get_class_train_data_gmm
          • get_params_class_gmm
          • get_prep_info_class_gmm
          • get_sample_class_gmm
          • get_sample_num_class_gmm
          • read_class_gmm
          • read_samples_class_gmm
          • select_feature_set_gmm
          • serialize_class_gmm
          • train_class_gmm
          • write_class_gmm
          • write_samples_class_gmm
    • K-Nearest Neighbors
          • add_class_train_data_knn
          • add_sample_class_knn
          • classify_class_knn
          • clear_class_knn
          • create_class_knn
          • deserialize_class_knn
          • get_class_train_data_knn
          • get_params_class_knn
          • get_sample_class_knn
          • get_sample_num_class_knn
          • read_class_knn
          • select_feature_set_knn
          • serialize_class_knn
          • set_params_class_knn
          • train_class_knn
          • write_class_knn
    • Look-Up Table查找表
          • clear_class_lut
          • create_class_lut_gmm
          • create_class_lut_knn
          • create_class_lut_mlp
          • create_class_lut_svm
    • Misc
          • add_sample_class_train_data
          • clear_class_train_data
          • create_class_train_data
          • deserialize_class_train_data
          • get_sample_class_train_data
          • get_sample_num_class_train_data
          • read_class_train_data
          • select_sub_feature_class_train_data
          • serialize_class_train_data
          • set_feature_lengths_class_train_data
          • write_class_train_data
    • Neural Nets
          • add_class_train_data_mlp
          • add_sample_class_mlp
          • classify_class_mlp
          • clear_class_mlp
          • clear_samples_class_mlp
          • create_class_mlp
          • deserialize_class_mlp
          • evaluate_class_mlp
          • get_class_train_data_mlp
          • get_params_class_mlp
          • get_prep_info_class_mlp
          • get_regularization_params_class_mlp
          • get_rejection_params_class_mlp
          • get_sample_class_mlp
          • get_sample_num_class_mlp
          • read_class_mlp
          • read_samples_class_mlp
          • select_feature_set_mlp
          • serialize_class_mlp
          • set_regularization_params_class_mlp
          • set_rejection_params_class_mlp
          • train_class_mlp.
          • write_class_mlp
          • write_samples_class_mlp
    • Support Vector Machines支持向量机
          • add_class_train_data_svm
          • add_sample_class_svm
          • classify_class_svm
          • clear_class_svm
          • clear_samples_class_svm
          • create_class_svm
          • deserialize_class_svm
          • evaluate_class_svm
          • get_class_train_data_svm
          • get_params_class_svm
          • get_prep_info_class_svm
          • get_sample_class_svm
          • get_sample_num_class_svm
          • get_support_vector_class_svm
          • get_support_vector_num_class_svm
          • read_class_svm
          • read_samples_class_svm
          • reduce_class_svm
          • select_feature_set_svm
          • serialize_class_svm
          • train_class_svm
          • write_class_svm
          • write_samples_class_svm

Classification

Gaussian Mixture Models高斯混合模型

add_class_train_data_gmm

功能:将训练数据添加到高斯混合模型(GMM)。

add_sample_class_gmm

功能:把一个模型范本添加到一个高斯混合模型的范本数据上。

classify_class_gmm

功能:通过一个高斯混合模型来计算一个特征向量的类。

clear_class_gmm

功能:清除一个高斯混合模型。

clear_samples_class_gmm

功能:清除一个高斯混合模型的范本数据库。

create_class_gmm

功能:创建一个高斯混合模型分类。

deserialize_class_gmm

功能:反序列化序列化高斯混合模型。

evaluate_class_gmm

功能:通过一个高斯混合模型评价一个特征向量。

get_class_train_data_gmm

功能:获取高斯混合模型(GMM)的训练数据。

get_params_class_gmm

功能:提取一个高斯混合模型的参数。

get_prep_info_class_gmm

功能:计算一个高斯混合模型的预处理特征向量的信息内容。

get_sample_class_gmm

功能:从一个高斯混合模型的模型范本。

get_sample_num_class_gmm

功能:返回存储在一个高斯混合模型的样品模型的数量。

read_class_gmm

功能:从一个文件中读取一个高斯混合模型。

read_samples_class_gmm

功能:从一个文件中读取一个高斯混合模型范本。

select_feature_set_gmm

功能:从一组要素中选择最佳组合,以对提供的数据进行分类。

serialize_class_gmm

功能:序列化高斯混合模型(GMM)。

train_class_gmm

功能:高斯混合模型的模型范本数据。

write_class_gmm

功能:向文件中写入一个高斯混合模型。

write_samples_class_gmm

功能:向文件中写入一个高斯混合模型的训练数据。

K-Nearest Neighbors

add_class_train_data_knn

功能:将训练数据添加到k近邻(k-NN)分类器。

add_sample_class_knn

功能:将样本添加到k近邻(k-NN)分类器。

classify_class_knn

功能:搜索给定特征向量的下一个邻居。

clear_class_knn

功能:清除k-NN分类器。

create_class_knn

功能:创建k近邻(k-NN)分类器。

deserialize_class_knn

功能:反序列化序列化的k-NN分类器。

get_class_train_data_knn

功能:获取k近邻(k-NN)分类器的训练数据。

get_params_class_knn

功能:获取k-NN分类的参数。

get_sample_class_knn

功能:从k近邻(k-NN)分类器的训练数据中返回训练样本。

get_sample_num_class_knn

功能:返回存储在k近邻(k-NN)分类器的训练数据中的训练样本的数量。

read_class_knn

功能:从文件中读取k-NN分类器。

select_feature_set_knn

功能:从一组要素中选择最佳子集以解决某个分类问题。

serialize_class_knn

功能:序列化k-NN分类器。

set_params_class_knn

功能:设置k-NN分类的参数。

train_class_knn

功能:为k-NN分类器创建搜索树。

write_class_knn

功能:将k-NN分类器保存在文件中。

Look-Up Table查找表

clear_class_lut

功能:清除指定的颜色查找表分类器。

create_class_lut_gmm

功能: 产生一个基于高斯矩阵模型(gmm)的颜色查找表分类器。

create_class_lut_knn

功能:使用k近邻分类器(k-NN)创建查找表以对字节图像进行分类。

create_class_lut_mlp

功能:产生一个基于多层感知器(mlp)的颜色查找表分类器。

create_class_lut_svm

功能:产生一个基于矢量(svm)的颜色查找表分类器。

Misc

add_sample_class_train_data

功能:将训练样本添加到训练数据中。

clear_class_train_data

功能:清除分类器的训练数据。

create_class_train_data

功能:为分类器创建训练数据的句柄。

deserialize_class_train_data

功能:反序列化分类器的序列化训练数据。

get_sample_class_train_data

功能:从训练数据中返回训练样本。

get_sample_num_class_train_data

功能:返回存储在训练数据中的训练样本数。

read_class_train_data

功能:从文件中读取分类器的训练数据。

select_sub_feature_class_train_data

功能:从训练数据中选择某些特征以创建包含较少特征的训练数据。

serialize_class_train_data

功能:序列化分类器的训练数据。

set_feature_lengths_class_train_data

功能:定义训练数据中的子功能。

write_class_train_data

功能:将分类器的训练数据保存在文件中。

Neural Nets

add_class_train_data_mlp

功能:将训练数据添加到多层感知器(MLP)。

add_sample_class_mlp

功能:把一个范本添加到一个多层感知器的范本数据集中。

classify_class_mlp

功能:通过一个多层感知器计算一个特征向量的类。

clear_class_mlp

功能:清除一个多层感知器。

clear_samples_class_mlp

功能:清除一个多层感知器的训练数据。

create_class_mlp

功能:为分类或者回归创建一个多层感知器。

deserialize_class_mlp

功能:反序列化序列化多层感知器。

evaluate_class_mlp

功能:通过一个多层感知器计算一个特征向量的评估。

get_class_train_data_mlp

功能:获取多层感知器(MLP)的训练数据。

get_params_class_mlp

功能:返回一个多层感知器的参数。

get_prep_info_class_mlp

功能:计算一个多层感知器的预处理特征向量的信息内容。

get_regularization_params_class_mlp

功能:返回多层感知器的正则化参数。

get_rejection_params_class_mlp

功能:获取拒绝类的参数。

get_sample_class_mlp

功能:从一个多层感知器的训练数据返回一个训练样本。

get_sample_num_class_mlp

功能:返回存储在一个多层感知器的训练数据中的训练样本的数量。

read_class_mlp

功能:从一个文件中读取一个多层感知器。

read_samples_class_mlp

功能:从一个文件中读取一个多层感知器的训练数据。

select_feature_set_mlp

功能:选择最佳功能组合以对提供的数据进行分类。

serialize_class_mlp

功能:序列化多层感知器(MLP)。

set_regularization_params_class_mlp

功能:设置多层感知器的正则化参数。

set_rejection_params_class_mlp

功能:设置拒绝类的参数。

train_class_mlp.

功能:训练一个多层感知器。

write_class_mlp

功能:向一个文件中写入一个多层感知器。

write_samples_class_mlp

功能:向一个文件中写入一个多层感知器的训练数据。

Support Vector Machines支持向量机

add_class_train_data_svm

功能:将训练数据添加到支持向量机(SVM)。

add_sample_class_svm

功能:把一个范本添加到一个支持向量机的训练数据上。

classify_class_svm

功能:通过一个支持向量机为一个特征向量分类。

clear_class_svm

功能:清除一个支持向量机。

clear_samples_class_svm

功能:清除一个支持向量机的范本数据。

create_class_svm

功能:为模式分类创建一个支持向量机。

deserialize_class_svm

功能:反序列化序列化支持向量机(SVM)。

evaluate_class_svm

功能:通过支持向量机评估特征向量。

get_class_train_data_svm

功能:获取支持向量机(SVM)的训练数据。

get_params_class_svm

功能:提取一个支持向量机的参数。

get_prep_info_class_svm

功能:提取一个支持向量机的预处理特征向量的信息内容。

get_sample_class_svm

功能:提取一个支持向量机的范本。

get_sample_num_class_svm

功能:提取一个支持向量机范本的数量。

get_support_vector_class_svm

功能:提取一个支持向量机中范本的索引。

get_support_vector_num_class_svm

功能:提取一个支持向量机中支持向量的数量。

read_class_svm

功能:从一个文件中读取一个支持向量机。

read_samples_class_svm

功能:从一个文件中读取一个支持向量机的范本数据。

reduce_class_svm

功能:根据一个简化的支持向量机近似一个范本的支持向量机(为了更快分类)。

select_feature_set_svm

功能:选择最佳功能组合以对提供的数据进行分类。

serialize_class_svm

功能:序列化支持向量机(SVM)。

train_class_svm

功能:一个支持向量机示范参数。

write_class_svm

功能:向一个文件中写入一个支持向量机。

write_samples_class_svm

功能:向一个文件中写入一个支持向量机的示范数据。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/254603.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

spring boot 扩展之AutoConfigurationImportListener

最近阅读spring boot源码时发现,发现当spring使用ConfigurationClassParser加载使用Configuration注解类后,会使用AutoConfigurationImportSelector对加载的 Configuration注解的类进行一次过滤。当AutoConfigurationImportSelector过滤完成后会自动加载…

classpath: spring 中的查找方式

Spring可以通过指定classpath*:与classpath:前缀加路径的方式从classpath加载文件,如bean的定义文件.classpath*:的出现是为了从多个jar文件中加载相同的文件.classpath:只能加载找到的第一个文件. 比如 resource1.jar中的package com.test.rs 有一个 jarAppcontext.xml 文件,内…

《高效程序员的45个习惯》-之一

敏捷开发是当下最流行的开发方法,它采用的是一种以人为核心、迭代、循序渐进的开发思想,值得你关注和学习。 最近我就阅读了一本有关敏捷开发的书籍,《高效程序员的45个习惯》。 它以“举反例”的方式来讲述了敏捷开发中程序员应该运用的…

教你如何在 elasticsearch 中重建索引

序言 Elasticsearch 是一个实时的分布式搜索分析引擎。Teambition 使用 Elastisearch 作为搜索引擎,为用户提供搜索服务,当我们决定存储某种数据时,我们需要使用PUT /teambition创建索引,在创建索引的时候需要将数据结构完整确定下…

halcon控制算子Control,持续更新

目录Controlassignassign_atbreakcasecatchcommentcontinueconvert_tuple_to_vector_1dconvert_vector_to_tupledefaultelseelseifendforendifendswitchendtryendwhileexecutable_expressionexitexport_defforglobalififelseimportinsertpar_joinrepeatreturnstopswitchthrowtr…

《CLR via C#》之线程处理——线程基础

《CLR via C#》之线程处理——线程基础 《CLR via C#》之线程处理——线程基础windows为什么要支持线程线程开销CPU发展趋势CLR线程和Windows线程使用专用线程执行异步的计算限制操作线程调度和优先级windows为什么要支持线程 早期的操作系统只有一个执行线程,但同时…

《高效程序员的45个习惯》-之二

请您在阅读本文之前,先了解《高效程序员的45个习惯》-之一。 每一期都会涉及15个话题,用3期来列出这45个习惯,每次不贪多,贪精,大家如果有空,一定要细细品味这15个习惯。 注意:每一个好的习…

MIME Type的介绍

转载自: http://www.cnblogs.com/jsean/articles/1610265.html 一、 首先,我们要了解浏览器是如何处理内容的。在浏览器中显示的内容有 HTML、有 XML、有 GIF、还有 Flash ……那么,浏览器是如何区分它们,决定什么内容用什么形式来…

spring boot之从零开始开发自己的网站

概述 首先要感谢两位大神,该项目的想法来源自tale和MyBlog。 做了一些改造,增加了一些功能和一些代码的重构,并且更换了博客主题。 关于项目,对于开发的练手项目,能够工程化,严谨一些。 关于文档&#x…

halcon深度学习算子,持续更新

目录Deep Learning 深度学习Classification:分类apply_dl_classifierclear_dl_classifierclear_dl_classifier_resultclear_dl_classifier_train_resultdeserialize_dl_classifierget_dl_classifier_paramget_dl_classifier_resultget_dl_classifier_train_resultre…

python day5--正则表达式

#----正则表达式 import re elink <a href"(.*)">(.*)</a> info <a href"http://www.baidu.com">baidu</a> cinfo re.findall(elink,info) print (cinfo) import re print(re.search (r^a,abc\neee)) #预期结果 ^匹配字符开…

WCF系列教程之WCF客户端调用服务

1、创建WCF客户端应用程序需要执行下列步骤 (1)、获取服务终结点的服务协定、绑定以及地址信息 (2)、使用该信息创建WCF客户端 (3)、调用操作 (4)、关闭WCF客户端对象 二、操作实例 1、WCF服务层搭建:新建契约层、服务层、和WCF宿主,添加必须的引用(这里不会的参考本人前面的随…

《高效程序员的45个习惯》-之三

请您在阅读本文之前&#xff0c;先了解《高效程序员的45个习惯》-之二。 每一期都会涉及15个话题&#xff0c;用3期来列出这45个习惯&#xff0c;每次不贪多&#xff0c;贪精&#xff0c;大家如果有空&#xff0c;一定要细细品味这15个习惯。 注意&#xff1a;每一个好的习…

负载均衡的那些事?

什么是负载均衡&#xff1f;1、负载&#xff1a;就是后端系统的承载能力。比如同等条件下&#xff0c;一个1核cpu-1G内存的机器的承载能力一般会比8核cpu-8G内存的机器要差&#xff1b;相同配置下&#xff0c;一个cpu利用率为80%的机器比30%的承载能力一般要差等等。2、均衡&am…

Develop内部函数,持续更新

Develop内部函数 目录Develop内部函数dev_clear_objdev_clear_windowdev_close_inspect_ctrldev_close_tooldev_close_windowdev_disp_textdev_displaydev_error_vardev_get_exception_datadev_get_preferencesdev_get_systemdev_get_windowdev_inspect_ctrldev_map_pardev_map…

短信认证方案,用手机短信进行上网认证如何实现?

WFilter NGF的“Web认证”模块&#xff0c;提供了一系列的上网认证解决方案。包括如下认证方式&#xff1a;本地用户名密码认证AD域用户名密码认证企业邮箱用户名密码认证Radius用户名密码认证微信WiFi认证Facebook Wifi认证除此&#xff0c;WFilter NGF还有一个“其他”的选项…

《高效程序员的45个习惯》-末篇

请您在阅读本文之前&#xff0c;先了解《高效程序员的45个习惯》-之三。 每一期都会涉及15个话题&#xff0c;用3期来列出这45个习惯&#xff0c;每次不贪多&#xff0c;贪精&#xff0c;大家如果有空&#xff0c;一定要细细品味这15个习惯。 注意&#xff1a;每一个好的习…

【Qt开发】V4L2 API详解 Buffer的准备和数据读取

前面主要介绍的是&#xff1a;V4L2 的一些设置接口&#xff0c;如亮度&#xff0c;饱和度&#xff0c;曝光时间&#xff0c;帧数&#xff0c;增益&#xff0c;白平衡等。今天看看V4L2 得到数据的几个关键ioctl&#xff0c;Buffer的申请和数据的抓取。1. 初始化 Memory Mapping …

halcon File文件算子,持续更新

目录File文件Images图像read_imageread_sequencewrite_imagedeserialize_imageserialize_imagelist_image_fileparse_filenameMisc混合体copy_filedelete_filefile_existsget_current_dirlist_filesmake_dirread_world_fileremove_dirset_current_dirObject对象deserialize_obj…

Nginx 之一:编译安装nginx 1.8.1 及配置

转http://www.cnblogs.com/zhang-shijie/p/5294162.html 一&#xff1a;基介绍 官网地址www.nginx.org&#xff0c;nginx是由1994年毕业于俄罗斯国立莫斯科鲍曼科技大学的同学为俄罗斯rambler.ru公司开发的&#xff0c;开发工作最早从2002年开始&#xff0c;第一次公开发布时间…