基于递归学习法以及记忆化的学习方法论

Posted 2021-10-15 Clo91eaf

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了基于递归学习法以及记忆化的学习方法论相关的知识，希望对你有一定的参考价值。

基于递归学习法以及记忆化的学习方法论

递归学习法，即在学习一个东西A时遇到了不熟悉的知识点B，于是去学习知识点B又遇到了知识点C，……当学到了最底层的知识点X，return回到上一级，继续学习尚未学完的知识点W。

用代码表示就是

#include<stdio.h>
void learnA(){
	...
    if (!B.learn())
        learnB();
    ...
    return;
}

void learnB(){
	...
    if (!C.learn())
        learnC();
    ...
    return;
}

...
    
void learnX(){
    ...
    return;
}

这种学习方法花费较大时间的情况下学习知识点A。但是由于我们在学习知识点A的同时不断学习知识点A的底层，因此我们能够把握A的整个框架。但是，这种学习方法有两个很重要的缺点，学过递归的朋友们都知道，比起顺序学习来说，递归学习因为要不断地调用函数，因此会产生较大的时间损耗，另一个缺点是当一个函数在它内部调用了它自己，就down了，如何避免这种情况的发生呢？答案是：记忆化与查文档。

记忆化，在程序中表示成递归过程中，通过一个数组储存函数运行结束时的状态，这种方法在非线性动态规划中经常使用。但是我们人脑毕竟不是计算机，没有内存，怎么记忆化？我的方法是：写博客。这样在下一次学习时，遇到重复的部分可以跳过，达到所谓“记忆化搜索剪枝”的功能。

通过写博客，记录下自己学习某样东西的路程，这条路程有的时候会很曲折，绕了一个大弯，有的时候又自己调用自己，或者自己调用别人调用自己（说的就是你，CSDN），因此我们尽量通过官方文档的查阅来使得弯绕的少一些，小一些，并且官方文档中的调用较为完备，在一个较为完备的系统中学习更加有利于自己的学习路线。

此方法论正通过不断实践改进中。

AR学习笔记：阈值二值化优化与颜色分割的优化

接下来改进一下阈值二值化的方法，使分割更加完整，然后改进颜色分割的方法，让阈值适应不同牙齿颜色以及光照条件

阈值二值化的优化

当前方案

图像预处理

图像预处理包括尺寸修改、限制对比度自适应直方图均衡、中值滤波，其中CLAHE能够增强牙齿和牙龈间的对比度，中值滤波可以削弱牙齿反光从而减少噪声

下面是不同参数下的CLAHE的效果

ClipLimit = 2.0

ClipLimit = 4.0

ClipLimit = 8.0

结论：当ClipLImit上升后，对比度增强，但牙齿底部颜色失真严重，灰度值变低，这里取3.0比较合适，对于其它样本图片同样适用

下面是CLAHE对不同均匀光照（暗/正常/亮）下图片的效果

结论：CLAHE能够使得在不同光照下的图片亮度趋向于一致，但是对于不均匀光照，没有统一局部光照的效果
ps.矫正光照的其他方法：在HSV颜色模型下，使多幅图像的V参数达到一致

阈值二值化

下面是对于均匀光照（暗/正常/亮）条件的图片，采用不同阈值的二值化处理效果对比

thresh = 100

thresh = 120

下面是对于不均匀光照（暗/正常/亮）条件的图片，采用不同阈值的二值化处理效果对比

thresh = 100

thresh = 120

结论：
由于阈值thresh固定，所以只在正常光照下，二值化的效果比较好，对于光照过强或过弱情况，轮廓的提取存在较大误差

优化方案

otsu法

otsu法（最大类间方差法，大津算法）使用的是聚类的思想，把图像的灰度数按灰度级分成2个部分，使得两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度级别来划分。所以可以在二值化的时候采用otsu算法来自动选取阈值进行二值化。
otsu算法被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响。

代码参考：OTSU算法介绍及openCV的C++实现
下面是测试结果：

ostuthresh = 107

ostuthresh = 111

ostuthresh = 117