sift算法口诀？

一、sift算法口诀？

SIFT算法

1、算法简介

尺度不变特征转换(Scale Invariant Feature Transform)用来侦测与描述影像中的局部性特征，它在空间尺度中寻找关键点，并提取出其位置、尺度、旋转不变量。

SIFT算法的实质是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。SIFT所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。

SIFT算法的四个步骤:

尺度空间极值检测：搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。

关键点定位：在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。

方向确定：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。

关键点描述：在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。

二、sift的物理意义？

SIFT算法

SIFT即尺度不变特征变换，是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。

一、SIFT算法特点：

1、具有较好的稳定性和不变性，能够适应旋转、尺度缩放、亮度的变化，能在一定程度上不受视角变化、仿射变换、噪声的干扰。

2、区分性好，能够在海量特征数据库中进行快速准确的区分信息进行匹配

3、多量性，就算只有单个物体，也能产生大量特征向量

4、高速性，能够快速的进行特征向量匹配

5、可扩展性，能够与其它形式的特征向量进行联合

三、kmeans用途？

K-means通常可以应用于维数、数值都很小且连续的数据集，比如：从随机分布的事物集合中将相同事物进行分组。

四、sift特征提取算法？

SIFT（Scale-Invariant Feature Transform）算法是一种用于图像局部特征提取的经典算法。它通过在多个尺度空间中寻找极值点（特征点，关键点）的精确定位和主方向，构建关键点描述符来提取特征。这些关键点是一些非常突出、不会因光照、仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。SIFT算法的实质是在不同的尺度空间上查找关键点，并计算出关键点的方向。尺度空间方法将传统的单尺度视觉信息处理技术纳入尺度不断变化的动态分析框架中，因此更容易获得图像的本质特征。尺度空间的生成目的是模拟图像数据多尺度特征，各尺度图像的模糊程度逐渐变大，能够模拟人在距离目标由近到远时目标在视网膜上的形成过程。SIFT算法具有尺度不变性、旋转不变性和光照不变性等优点，因此在计算机视觉领域广泛应用于目标检测、跟踪、识别和图像配准等方面。

五、kmeans的优缺点？

K-Means优点：

　　　　1）原理比较简单，实现也是很容易，收敛速度快。

　2）聚类效果较优。

3）算法的可解释度比较强。

4）主要需要调参的参数仅仅是簇数k。

K-Means缺点：

1）K值的选取不好把握

2）对于不是凸的数据集比较难收敛

3）如果各隐含类别的数据不平衡，比如各隐含类别的数据量严重失衡，或者各隐含类别的方差不同，则聚类效果不佳。

　　　　4） 采用迭代方法，得到的结果只是局部最优。

　　　　5） 对噪音和异常点比较的敏感(改进1：离群点检测的LOF算法，通过去除离群点后再聚类，可以减少离群点和孤立点对于聚类效果的影响；改进2：改成求点的中位数，这种聚类方式即K-Mediods聚类（K中值）)。

六、kmeans数据集格式？

Kmeans是一种无监督的基于距离的聚类算法，其变种还有Kmeans++。

kmeans数据集格式

1-分配：样本分配到簇。2-移动：移动聚类中心到簇中样本的平均位置。

七、kmeans算法迭代过程？

k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。

终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。

八、kmeans 数据类型？

今天我们来学习 K-Means 算法，这是一种非监督学习。所谓的监督学习和非监督学习的区别就是样本中是否存在标签，对于有标签的样本做分析就是监督学习，而对没有标签的样本做分析就属于非监督学习。

K-Means 解决的是聚类的问题，就是把样本根据某些特征，按照某些中心点，聚类在一起，从而达到分类的效果。K 代表的是 K 类，Means 代表的是中心，所以该算法的本质其实就是确定 K 类的中心点，当我们找到中心点后，也就完成了聚类。

聚类的应用场景是非常多的，比如给用户群分类，对用户行为划分等待，特别是在没有标签的情况下，只能只用聚类的方式做分析。

九、kmeans和dbscan区别？

1)K均值和DBSCAN都是将每个对象指派到单个簇的划分聚类算法，但是K均值一般聚类所有对象，而DBSCAN丢弃被它识别为噪声的对象。

2)K均值使用簇的基于原型的概念，而DBSCAN使用基于密度的概念。

3)K均值很难处理非球形的簇和不同大小的簇。DBSCAN可以处理不同大小或形状的簇，并且不太受噪声和离群点的影响。当簇具有很不相同的密度时，两种算法的性能都很差。

4)K均值只能用于具有明确定义的质心（比如均值或中位数）的数据。DBSCAN要求密度定义（基于传统的欧几里得密度概念）对于数据是有意义的。

5)K均值可以用于稀疏的高维数据，如文档数据。DBSCAN通常在这类数据上的性能很差，因为对于高维数据，传统的欧几里得密度定义不能很好处理它们。

6)K均值和DBSCAN的最初版本都是针对欧几里得数据设计的，但是它们都被扩展，以便处理其他类型的数据。

7)基本K均值算法等价于一种统计聚类方法（混合模型），假定所有的簇都来自球形高斯分布，具有不同的均值，但具有相同的协方差矩阵。DBSCAN不对数据的分布做任何假定。

8)K均值DBSCAN和都寻找使用所有属性的簇，即它们都不寻找可能只涉及某个属性子集的簇。

9)K均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但是DBSCAN会合并有重叠的簇。

10)K均值算法的时间复杂度是O(m)，而DBSCAN的时间复杂度是O(m^2)，除非用于诸如低维欧几里得数据这样的特殊情况。

11)DBSCAN多次运行产生相同的结果，而K均值通常使用随机初始化质心，不会产生相同的结果。

12)DBSCAN自动地确定簇个数，对于K均值，簇个数需要作为参数指定。然而，DBSCAN必须指定另外两个参数：Eps（邻域半径）和MinPts（最少点数）。

13)K均值聚类可以看作优化问题，即最小化每个点到最近质心的误差平方和，并且可以看作一种统计聚类（混合模型）的特例。DBSCAN不基于任何形式化模型。

十、kmeans模型属于什么？

Kmeans模型是一个原理较为简单的聚类模型，Kmeans模型的一般操作步骤是：

①随机选择k个点作为初始类心。

②计算每个元素和k个类心之间的距离并归类到最近的类里面。

③以每个类的均值作为新的类心。

④重复2和3知道所有的类心不再变化。