一 ：噪音、高斯隨機變量的matlab函數(shù)
(1) 生成多元高斯隨機變量的matlab函數(shù)：mvnrnd
(2) 添加高斯白噪聲的matlab函數(shù)：awgn
(3) 圖像加Salt & Pepper noise, Gaussian noise, Poisson noise怎么加？matlab函數(shù)imnoise能實現(xiàn)這個功能，見我的電腦other\matlab 2007a\work\function\imnoise_YaleB,注意點：imnoise函數(shù)有說明，The mean and variance parameters for 'gaussian', 'localvar', and 'speckle' noise types are always specified as if the image were of class double in the range [0, 1]. 當然也可以用uint8，有顯示結(jié)果可知，如果直接用double型的0到255之間的數(shù)值是有問題的。
但對于LFW，看其最小的大概0，最大的大概0.02，怎么恢復到0到255。Haiqing Li講不能恢復，因為你不知原始圖像的最小值和最大值。當然可以用fea_original = (fea_original-min_value)/(max_value-min_value);得到一個初步結(jié)果，這樣既相當于將最小值映射到0，最大值映射到1
(4) 北航圖像課件：課件\課件7、8、9章(2012-6-12)\解壓后文件\第八章小波變換課件-5.ppt的P5，就是通過randn函數(shù)加入高斯噪音
(5) 文章：Sparsity preserving projections with applications to face recognition，該文5.1.1節(jié)有一句：Gaussian white noise with standard deviation 0.1。我的問題是高斯白噪聲的均值是多少呢，是零嗎？你們是不是用matlab函數(shù) randn(0,0.1) 這樣實現(xiàn)的？搜索gmail, 關(guān)鍵詞"喬老師"，20100703回復: 高斯白噪聲的均值為零，具體怎么加應(yīng)該有很多方法，例如你說的用randn。
(6) CVPR 2020 Self-training with Noisy Student improves ImageNet classification: To noise the student, we use RandAugment data augmentation [18], dropout [75] and stochastic depth [37] during its training.
二：
2.1 圖像顯示imshow,imagesc下面代碼摘錄至蔡登老師主頁
http://www.zjucadcg.cn/dengcai/Data/Yale/images.htmlThe face image can be displayed in matlab with the following command lines:
%===========================================
faceW = 32;
faceH = 32;
numPerLine = 11;
ShowLine = 2;
Y = zeros(faceH*ShowLine,faceW*numPerLine);
for i=0:ShowLine-1
for j=0:numPerLine-1
Y(i*faceH+1:(i+1)*faceH,j*faceW+1:(j+1)*faceW) = reshape(fea(i*numPerLine+j+1,:),[faceH,faceW]);
end
end
imagesc(Y);colormap(gray);
%===========================================
先將fea都除以256對imagesc和imshow結(jié)果沒有影響 2.2
照片的處理(Matlab命令)
(1)A=imread('1.JPG');%見我的matlab教材P33
% imshow(rgb2gray(A));%將彩色圖片轉(zhuǎn)成黑白的
B = imresize(A,[250 250]);
imwrite(B,'2.JPG');
(2) imshow的問題：利用Ran He給我的FRGC/dataset10, 命令：load ImgData;imshow(reshape(data(:,20),64,64))。問題：產(chǎn)生不了人臉。
原因：是double型，要變成整型。
解決方案1：imshow(reshape(data(:,20),64,64),[])。
解決方案2：imshow(uint8(reshape(data(:,20),64,64)))。
注意點：不要將data都變成整型，因為后續(xù)處理還是要用double型的。
This is under the help of Zhenhua Chai。
20130410問Ran He, FRGC/dataset10,每個原始圖片是64*64,變成32*32,imresize函數(shù)要不要做特別設(shè)置，他講他都用默認的設(shè)置
圖像imshow出來后，可以通過impixelinfo命令來看具體的像素數(shù)值
imshow畫彩色圖片：見本機cifar-10-matlab\cifar-10-batches-mat
三：eigs和eig
eigs：Largest eigenvalues and eigenvectors of matrix. 只能求最大的六個特征值及對應(yīng)的特征向量
eig： Eigenvalues and eigenvectors. 能求所有特征值和特征向量
問題：求解WPrime相對DPrime最大的幾個特征值對應(yīng)的特征向量
仿照Deng Cai的LDA版本“version 3.0 --Dec/2011”的line 230-235和line 244-246
[eigvector, eigvalue] = eig(WPrime,DPrime);
eigvalue = diag(eigvalue);
[junk, index] = sort(-eigvalue);
eigvalue = eigvalue(index);
eigvector = eigvector(:,index);
for i = 1:size(eigvector,2)
eigvector(:,i) = eigvector(:,i)./norm(eigvector(:,i));
end
注意點：1、eigvalue = diag(eigvalue);這句不能省，因為eigvalue本身是對角矩陣。2、eigvector要歸一化
四：plot函數(shù)
電腦目錄：\Spectral Regression\kernel\show_time\Isolet.m 直接運行有問題，解決方案：畫出的圖點擊Edit -> Axes properties (注意不是選中Figure properties)-> More properties->Xlim下面 XTick，將1.5，2.5和3.5刪除就可以了
plot(d,linearKernel,'b-*','LineWidth',2,'MarkerSize',18); %通過MarkerSize'來調(diào)整marker的大小
五：雜七雜八
class: 類型
a=12345.6789 % 給變量 a 賦數(shù)值標量
class(a) % 對變量 a 的類別進行判斷
MATLAB中如何將數(shù)據(jù)以分數(shù)的形式顯示出來：FORMAT RAT
for i=1:6
x(i) = 1/i;
end
format rat;%使用分數(shù)來表示數(shù)值，默認格式是short；rat(x)：將實數(shù)轉(zhuǎn)化成分數(shù)表示；rats(x)：將實數(shù)化為多項式分數(shù)展開
disp(x)
FIND：找到非零值和序號
a = [1 -2 3; 4 5 -4;5 -6 7];
a<0的結(jié)果是：
0 1 0
0 0 1
0 1 0
ind = find(X)%ind = find(X) locates all nonzero elements of array X, and returns the linear indices of those elements in vector ind. If X is a row vector, then ind is a row vector; otherwise, ind is a column vector
故find(a<0)的結(jié)果是
4
6
8
因為matlab是按列存儲的
Y(find(Y==-1)) = 1；%目的：將Y中為-1的值賦值為1
例：A = [0/0 0/0];
find(A==NaN)結(jié)果是空矩陣
z = find(isnan(A))結(jié)果是1 2，找出了NaN所在的位置
隨機相關(guān)
任務(wù)：AR數(shù)據(jù)，每類四個樣本，總共120類。所有樣本按第一類、第二類的順序依次排列，想從中隨機挑50個樣本，每個樣本來自不同的類，如何實現(xiàn)？
方法：b = randperm(120); b = b(1:50); b = (b-1)*4;%the start position of each class
b = b+randi(4,1,50); % randi is recommended by Libing Wang
如何編程實現(xiàn)隨機正交矩陣？見哈希論文ITQ編程實現(xiàn)，先生成隨機矩陣，再SVD分解，取U矩陣即可