平滑演算法
❶ 圖像平滑演算法的幾種方法比較
你可以去下載一下CxImage的Demo，裡面有關於幾種平滑演算法的例子，可以很直觀的看出來，也可以去看他的源代碼裡面的具體演算法
地址如下：
http://www.codeproject.com/KB/graphics/cximage.aspx
❷ 如何在ggplot2中使用spline平滑演算法
smooth.spline2 <- function(formula, data, ...) {
mat <- model.frame(formula, data)
smooth.spline(mat[, 2], mat[, 1])
}
predictdf.smooth.spline <- function(model, xseq, se, level) {
pred <- predict(model, xseq)
data.frame(x = xseq, y = pred$y)
}
qplot(mpg, wt, data = mtcars) + geom_smooth(method = "smooth.spline2", se= F)
spline是很好的連接點之後將其平滑的演算法，但是ggplot中不能直接用，這里提供了一個子函數，可以使用spline讓曲線平滑，非常好用。
❸ 中值濾波和均勻平滑在去圖像雜訊上各有什麼特點
中值濾波是一種非線性濾波，能很好的去除椒鹽雜訊；均勻平滑濾波是線性的，濾波後的圖像變模糊。這是我用matlab實現的，看圖就更容易理解了。
❹ 數據平滑是數據挖掘的方法嗎如果是他是數據挖掘10大演算法中的哪一種
數據平滑是數據預處理方法，主要是通過分箱進行處理，可以用均值平滑，中間值平滑，也算數據挖掘中的一項工作，不屬於10大演算法之列。
❺ lmd演算法平滑半徑怎麼設置
畫筆半徑是在畫筆預設裡面修改的 要有深度的變化是靠你下筆的輕重控制的 靠感覺而不是靠工具調
❻ 自然語言處理中 平滑方法的基本思想為什麼是「使概率分布趨於平均」
概率分布實際上是不應該趨於平均的，因為趨於平均，顯然不符合客觀事實，這只是加1平滑、Good-Turing等平滑方法的假設，Jelinek-Mercer平滑就是一個組合估計平滑模型，這樣的模型就考慮到了所有未出現過的n-gram的概率應該不平均的問題，利用稀疏問題更小的低階的n-gram概率估計調整高階的n-gram概率估計。
❼ 圖像平滑的實現演算法誰會呀C語言或者matlab都行。。。
這個還是去程序員聯合開發網找找吧
❽ 如何進行圖像進行直方圖平滑處理，請描述具體的演算法過程
width=dlg.m_width;
delta=dlg.m_delta;
sqdelta=delta*delta;
for(i=0;i<256;i++)
{
coef=1.0;
for(j=1;j<width;j++)
{
weight=(float)exp(-0.5*j*j*sqdelta);
if((i+j)<256)
{
coef+=weight;
m_Dib.probability[i]+=(prob[i+j]*weight);
}
if((i-j)>=0)
{
coef+=weight;
m_Dib.probability[i]+=(prob[i-j]*weight);
}
}
m_Dib.probability[i]/=coef;
}
sum=0;
for(i=0;i<256;i++)
sum+=m_Dib.probability[i];
for(i=0;i<256;i++)
m_Dib.probability[i]=(float)(m_Dib.probability[i]/sum);
❾ 平滑移動演算法或函數
三角函數。朝由原點向(x1,y1)移動，每移動一段距離s,在x和y軸上的投影距離分別x1*s/sqrt(x1*x1+y1*y1)，y1*s/sqrt(x1*x1+y1*y1)
❿ 數字信號測量中的平滑演算法怎麼算
其實最簡單的平滑演算法就是對之前的數據求一個平均值，即
y(t) = (y(t-n)+y(t-n+1)+...+y(t))/(n+1)
其實，這么做的理由很簡單，這相當於是一個n+1階的FIR濾波器，然後每個系數都是1/(n+1)。
說白了，就是一個低通濾波器，因此可以起到抑制毛刺等高頻信號的結果。
其實，我個人認為，如果你好好設計一個FIR濾波器，然後按照那個系數來進行調整，比這種方法去掉毛刺的效果好得多，你可以利用matlab的工具fdatool，有不懂可以繼續追問。