閾值演算法

『壹』 什麼是神經網路演算法的閾值

神經元是一個多輸入單輸出的非線性單元，輸入之和需要超過一定數值時，輸出才會有反應，這個數值一般稱為閾值

『貳』 canny 演算法的閾值，有兩個，到底是做什麼用的

第一個是低閾值，第二個高閾值
高閾值比較嚴格，求的邊緣很少，認為高閾值的邊緣都是有效。低閾值寬松，求的邊緣很多（一般包括了高閾值求到的邊緣），其中不少是無效的邊緣（反正不想要的）。
先用高閾值求邊緣。canny求得的邊緣希望是連在一起的（通常是封閉的），但高閾值求的邊緣一般斷斷續續。斷開的地方如果低閾值求的邊緣存在，就用低閾值的邊緣接上去，目的讓邊緣盡量都連在一起。其它情況下低閾值的邊緣是不用的。

兩個閾值是有區別的，高的那個閾值是將要提取輪廓的物體與背景區分開來，就像閾值分割的那個參數一樣，是決定目標與背景對比度的，低的那個閾值是用來平滑邊緣的輪廓，有時高的閾值設置太大了，可能邊緣輪廓不連續或者不夠平滑，通過低閾值來平滑輪廓線，或者使不連續的部分連接起來

『叄』 動態閾值一般有什麼演算法謝謝啦，沒錢。。。

%本程序是利用最大類間方差演算法求解自適應閾值，對圖像進行分割
clear;
warning off;

web -browser
SE = strel('diamond',4);
BW1 = imread('img1.bmp');
BW2 = imerode(BW1,SE);
BW3 = imdilate(BW2,SE);
BW4 = BW1-BW3;

%rgb轉灰度
if isrgb(BW4)==1
I_gray=rgb2gray(BW4);
else
I_gray=BW4;
end
figure,imshow(I_gray);
I_double=double(I_gray);%轉化為雙精度
[wid,len]=size(I_gray);
colorlevel=256; %灰度級
hist=zeros(colorlevel,1);%直方圖
%threshold=128; %初始閾值

%計算直方圖
for i=1:wid
for j=1:len
m=I_gray(i,j)+1;
hist(m)=hist(m)+1;
end
end
hist=hist/(wid*len);%直方圖歸一化
miuT=0;
for m=1:colorlevel
miuT=miuT+(m-1)*hist(m);
end
xigmaB2=0;

for mindex=1:colorlevel
threshold=mindex-1;
omega1=0;
omega2=0;
for m=1:threshold-1
omega1=omega1+hist(m);
end
omega2=1-omega1;
miu1=0;
miu2=0;

for m=1:colorlevel
if m<threshold
miu1=miu1+(m-1)*hist(m);
else
miu2=miu2+(m-1)*hist(m);
end
end
miu1=miu1/omega1;
miu2=miu2/omega2;
xigmaB21=omega1*(miu1-miuT)^2+omega2*(miu2-miuT)^2;
xigma(mindex)=xigmaB21;
if xigmaB21>xigmaB2
finalT=threshold;
xigmaB2=xigmaB21;
end
end
fT=finalT/255 %閾值歸一化
T=graythresh(I_gray)%matlab函數求閾值
for i=1:wid
for j=1:len
if I_double(i,j)>finalT
bin(i,j)=1;
else
bin(i,j)=0;
end
end
end
figure,imshow(bin);
figure,plot(1:colorlevel,xigma);
已發送，請查收，發送郵箱[email protected] ,你的郵箱名是錯的，彈回來了。反正這里也有，不發了。

『肆』 什麼是差分閾值法

差分閾值法是一種適合於對實時性較高的心電信號QRS波檢測的快速演算法，其基本原理是：由於QRS波是心電信號波形變化最劇烈的地方，其波形的上升斜率或是下降斜率與其他波形相比有顯著不同，所以可以同過檢測心電信號序列對時間的導數即斜率的變化情況來檢測R波的位置。通常在R波的上升沿和下降沿是是心電波形斜率變化最大的區域，在這范圍內出現的一階導數過零點，二階導數極值點即我們所要檢測的R波位置。通過多濾波後的心電信號進行一階差分或二階差分並結合確定的閾值，檢測出R波。

『伍』 機器學習中，有沒有給定的閾值返回聚類結果的演算法

機器學習通過從數據里提取規則或模式來把數據轉換成信息。主要的方法有歸納學習法和分析學習法。數據首先被預處理，形成特徵，然後根據特徵創建某種模型。機器學習演算法分析收集到的數據，分配權重、閾值和其他參數達到學習目的。如果只想把數據分成不同的類，那麼「聚類」演算法就夠了；如果需要預測，則需要一個「分類」演算法。OpenCV庫裡麵包含的是基於概率統計的機器學習方法，貝葉斯網路、馬爾科夫隨機場、圖模型等較新的演算法還在成長過程中，所以OpenCV還沒有收錄。
機器學習的演算法有很多很多：1、Mahalanobis
2、K-means 非監督的聚類方法3、樸素貝葉斯分類器 特徵是高斯分布&&統計上相互獨立 條件比較苛刻4、決策數 判別分類器，根據閾值分類數據，速度快。ID3，C4.5
5、Boosting 多個判別子分類器的組合6、隨機森林 由多個決策樹組成7、人臉檢測/Haar分類器 使用Boosting演算法8、期望最大化EM 用於聚類的非監督生成演算法
9、K-近鄰 最簡單的分類器10、神經網路（多層感知器） 訓練分類器很慢，但是識別很快11、支持向量機 SVM 可以分類，也可以回歸。通過分類超平面實現在高維空間里的最優分類
12、遺傳演算法 借鑒生物遺傳機制 ，隨機化埂攻第煌郢號電銅釘擴非線性計算演算法總之呢，個人覺得，機器學習、數據挖掘、模式識別、專家系統等方向和領域目前還是一種比較混亂的局面。學術界和商業界可能是不同的，關於演算法的理論研究和使用這些方法生成商品是分別關注的。按照不同的領域、不同的方法可以劃分出眾多的分支。但是有一點是肯定的，這些在上世紀80年代提出來的公式和證明，如今正在變成一行行的代碼，在一些貓（tomcat）、IIS等伺服器的支持下，爬上了網路，到處尋覓對主人有用的信息，然後運送到網路中，最終生成產品，或者半產品。看看你電腦上的那根網線，它那麼小，但是很難想像它從你的電腦上拿走了什麼，又給你送來了什麼。有些遠了，繼續說數據這些事。目前我接觸過的演算法有：（太多了，一時間真不好說出來） 神經網路（感知器、BP、RBF等很多的演算法），遺傳演算法，支持向量機，層次分析法，各種回歸，灰色系統（國產的方法，用於不確定知識的預測），粗糙集，貝葉斯網路，時間序列分析（也有很多）。學習和研究紙面的演算法公式只是第一步，不可以忽略的基礎，如何使用這些方法，在浩瀚的互聯網上找到自己需要的、滿足客戶需要的數據和信息，從而讓需要的人能夠更加方便地得到，是今後的重頭戲了。貌似很多的企業已經進軍數據倉庫這一塊，並嘗到了巨大的甜頭，也有企業養著一隊預備軍，專注研發，隨時准備奔赴前線，佔領市場。無線網路市場的競爭已經到了激烈的局面，普適計算的時代也快到了吧。它依賴於硬體產品的可穿戴，和軟體產品的內嵌、快速響應。總而言之，越來越人性化，誰都不願意抱著筆記本電腦蹲廁所，是吧？

『陸』 神經網路演算法中權值W和閾值的定義是什麼

因為高斯距離在歐式幾何中定義的。（就是說這個最短）權值就是類似於方程y=ax+b，中a的值。訓練好的神經網路對於新的數據不一定是最優的。甚至不一定可以用來預測。

『柒』 matlab中面積閾值演算法是什麼跪求！！！！謝謝了！！！

第一類是閾值方法，這種方法是根據圖像灰度值得分布特性確定某個閾值來進行圖像分割...MATLAB圖像處理工具箱中的watershed函數可以用於顯示分水嶺演算法。

『捌』 怎樣理解變換編碼中的閾值編碼

.com/kekewutao/blog/item/0bafc700d2849011728b65fd.html" target="_blank">http://hi..com/kekewutao/blog/item/0bafc700d2849011728b65fd.html

使用MATLAB設計小波變換程序中的若干問題3[轉貼]
使用MATLAB設計小波變換程序中的若干問題仍需探討的問題：為什麼使用PNG存儲經小波變換後的重構圖像變大？ 我曾在清華大學的多媒體課程的教師答疑中寫了「老師：尊重事實:DB9閾值10的PNG文件就是比原文件大」和「續一：尊重事實:DB9閾值10的PNG文件就是比原文件大」，在林老師的鼓勵和指導下，我進行了繼續試驗、分析，與劉趙璧（Anna）同學進行了探討，並得到了Lily（姓名還不知道）同學的幫助，同時同學們也做了各自不同的實驗，現在的實驗結果可以說基本上比較明確，那就是有些圖像就是會變大，這與圖像的種類、紋理等密切相關。林老師曾經鼓勵我去研究一下PNG的壓縮方法，無奈我資質不夠，至今在這方面的進展不大。由於臨近期末考試，作業也要抓緊，所以我暫且將沒有搞明白的內容擱置，待寒假期間再進行，希望對這些問題有各種看法也有興趣研究的同學對此發表意見。以下是我最近試驗、分析和閱讀到的一些相關信息。試驗結果 我首先根據老師第三章的Haar矩陣演算法推演出DB9的系數矩陣，並實現了分解重構及閾值處理程序，對幾種照片進行了比較，然後使用3.1節的simplecmp進行了相同照片的實驗，結果相當一致。細小差別是因為我的程序對邊界的擴展與MATLAB不一樣，在設置閾值後引起了邊界上小部分不一致造成的。表一：真彩色圖像百合花的處理結果閾值 Png
Haar(Mat/Mine) 0數
Haat
(Mat/Mine) PNG
Db9
(MAT / Mine) 0數
Db9
(MAT / Mine)
95973 / 95973
0 95973 / 95973 27524 / 24268 95973 / 95973 27 / 9
5 74552 / 74292 135838 / 136063 101882 / 101992 167412 /165662
10 51976 / 51504 163423 / 163741 98411 / 98861 199200 / 195730
20 32474 / 32346 180167 / 180267 92295 / 93660 220629 / 217214
從對比表中我們能夠看到2個程序的結果相當一致，因此，我不再給出兩種程序的對比，而是使用simplecmp直接處理的結果說明。 將百合花圖像使用[I,map]=rgb2ind(x,255);轉換成為彩色圖像處理，在將偽彩色圖像轉換為連續變換的灰度圖像（如2.4常見問題中討論的方法）進行處理：表二：百合花的偽彩色圖像和處理後的灰度（gray）圖像的處理結果閾值 Png
Haar(Index/Gray) 0數
Haar(Index/Gray) PN
Db9(Index/Gray) 0數
Db9
(Index/Gray)
48535 / 43235
0 48535 / 43235 6096/ 7430 48535/ 43235 18 / 22
5 53207 / 36450 9473/ 43626 60362 / 49927 7009 / 52852
10 58025 / 23602 13362/ 54344 64916 / 47813 13202 / 65881
20 60193/ 14347 21948 / 60039 66020/ 46014 24468 / 73494
其他偽彩色與進行加工的灰度圖的結果與此完全一致，這也就說明了如果偽彩色文件的色板不是單調性遞增就不適合小波分解。「The color bar to the right of the image is not smooth and does not monotonically progress from dark to light. This type of indexed image is not suitable for direct wavelet decomposition with the toolbox and needs to be preprocessed.」。我對 Facets進行同樣的實驗，結果與此一致。這種處理的結果可以從圖像象素值的連續性來理解。這是處理與不處理的圖像的中間一行的數據圖。另外，不連續的圖像質量在壓縮後會被極大地破壞圖2偽彩色文件變化前後的第128行數據的連續性情況對比分析 多種試驗圖片基本能夠反映類似的結果，雖然Indexed Color image有時令Haar小波的分解重構圖像出現增大現象，單經過處理之後，這種現象就會消失。然而對於DB9可以看到無論真彩色還是處理後的灰度圖像都在閾值5 10處超過原始圖像的大小，能不能因此得出DB9不適合進行圖像壓縮的結論呢？有一些同學確實這樣認為，但我認為這種觀點因為忽略了如何利用小波進行壓縮和還原的過程，這也正是第四章老師為我們講述的那些編碼演算法而造成的。在推薦材料[1]中也有類似的說明。圖3、JPEG2000的基本結構看一下上圖就可以明白為什麼PNG不能衡量小波壓縮的效率問題。上圖的圖像原始數據首先經過正變換（Forward Transform）就是小波變換的得到小波系數，變換的小波系數經過閾值處理後進行量化，編碼後得到壓縮的圖像文件JPEG2000，如果你沒有JPEG2000的顯示程序，那麼你就不能看到它。它的顯示程序就是由解碼器從壓縮數據中解出編碼，進行反量化，得到小波系數，再實施逆變換（Inverse Transform）就是小波系數重構。最終得到圖像的原始數據。因此衡量小波變換的效率是應該看你選擇的小波能不能分解出適合「編碼器」壓縮的小波系數，這種編碼器不是PNG的LZ77，因為LZ77壓縮小波分解系數的效率不是最好的。這種高效編碼器在第四章可以找到。那麼我們存儲 PNG文件的目的是什麼呢？我認為壓縮與去噪(de-noising)是同一種方法的兩種提法。他們都使用了設置閾值的方法。我們可以仔細分析經過重構的PNG圖片的質量來體會這種消除噪音的效果，也可以評定小波壓縮後的圖片的視覺質量，同時PNG的文件大小也可以讓我們從LZ77演算法的本質來理解小波變換壓縮後的重構圖像的內容變化情況。比如，我們可以從表2中的灰度圖像在haar變換取閾值20時出現塊狀象素，文件大小變為14347，而db9卻為46014，超過原始的PNG大小，但並不出現塊狀而是具有波狀的特徵。這本身說明了採用Harr小波壓縮或去噪後重構的圖像中相同的『串』增多，便於PNG方式壓縮，而db9則在相同閾值的情況下不會象Haar那樣製造『馬賽克』，說明了它的平滑性，這也能幫助我們理解小波的特性。當然，當閾值繼續增加後，超過某一界限，即使DB9也仍然會使PNG文件大小減小。這本身也就是由雙尺度（Dyadic）小波變換的兩種濾波器決定的。低通濾波結果相當於平均值，高通濾波結果相當於差值，差值能夠保證重構圖像的細節部分丟失最小，如果差值部分被閾值略去的過多，細節就會越來越少，平均意義的值約來越多，直到多到某一個臨界值時（該圖像的閾值取到40），重構的圖像也可能出現較多的相同數字串，這就會提高PNG的壓縮結果。下圖是我對Haar（藍色）小波取閾值為20，db9（紅色）小波閾值取40時第128行1：32列的數據曲線與原始數據（黑色）曲線的對比。可以看出也db9在閾值=40時出現了較多的平均值，但比haar在閾值=20時的曲線要少的多。圖4、haar（藍色）和db9（紅色）壓縮後重構圖像的第128行，1：32列的數據曲線不過，MATLAB給我們提供了量化的方法來決定如何選取閾值。在HELP Wavelet Toolbox : Advance Concepts: Choosing the Optimal Decomposition中提到了幾種利用「熵」的概念來衡量如何選取合適的分解級。感興趣的同學還可以參看wentropy, wdcbm2, wpdec的幫助。文獻[1]中也提到了衡量壓縮質量的客觀化方法MSE,PNSR並指出小波的重構濾波器的長度越長，形狀越規則越能夠提供良好的壓縮性能。 上面對PNG的討論因為沒有足夠的演算法分析和程序解讀，同時也沒有準確的試驗數據，因此只能作為猜測。但衡量小波壓縮效率的方法我堅持認為不能以PNG文件大小來解說，如果採用圖像文件大小來衡量，應該以JPEG2000來衡量。

『玖』 計算短時能量閾值的方法演算法是什麼

去其他網站搜索一下吧