图像色彩空间
RGB：属于混合型颜色空间，按三种基色的比例合成颜色，常用于显示器系统，
YUV：通过亮度和色度表示颜色，便于视频信号的压缩，传输、存储。Y亮度，两个色差信号：R－Y（即U）、B－Y（即V）。采用YUV的重要性在于亮度信号Y和色度信号UV是分离的，如果只有Y分量那么图像就是黑白灰度图像。主要用于彩色视屏信号的传输，
二值化：将灰度图上的像素值设为0或者255，图像的二值化使图像的数据量大为减少，从而凸显出目标轮廓。
直方图均衡化：对图像细节部分能起到明显的突出增强效果
灰度图：
双线性插值
LBP局部二值模式，主要用于纹理特征的提取
http://www.open-open.com/lib/view/open1440832074794.html
协方差、相关系数都表示两个连续变量的线性关系，协方差表示线性相关的方向，取值为负无穷到正无穷，当为正时a增大，b也增大；当为负时，a增大，b减小，为零不相关。相关系数表示不仅表示方向还表示相关程度，取值为[-1,1]，越靠近1越相关，其实就是两个向量夹角的余弦值。
http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html
SVD的效果，用一个规模更小的矩阵去近似原矩阵。将一个比较复杂的矩阵，用几个更小更简单的子矩阵相乘来表示，而这些小矩阵描述的是矩阵的重要的特性。每个人脸都有各自的特征，一般说几个重要的特征就能让人想起某人，而人天生就有抽取重要特征的能力，让机器学会抽取重要特征，SVD是非常重要的一种方式。
http://www.open-open.com/lib/view/open1440832074794.html
明确一点，一个矩阵就是一个线性变换。值得一提的是，如果A是对称矩阵，那么这个变换是对x，y轴上的拉升变换。
所以这里可以理解为对于v来说，经过A变换后，没有发生旋转的变换，即方向要么和之前相同要么相反，而只是长度发生了变化。
特征向量：反映线性变换的方向，在这个方向上的变换只导致伸缩。
特征值：反映伸缩的大小
特征值、特征向量的一个应用是数据的降维，
特征值分解是将一个矩阵分解成下面的形式：
A是方阵，Q是由A的特征向量所组成的矩阵，Σ是一个对角阵，里面的元素是A特征值，并按从大到小排列。由于前面说到一个矩阵就是一个线性变换，当A不是对阵矩阵时候，变换的方向就可能不止一个，我们去描述这个变换就去描述好这个变换的主要方向就好了。而Σ里的特征值所对应的特征向量就是描述这个矩阵的变化方向，从主要变化方向到次要变化方向。
特征值分解可以得到特征值和特征向量，特征值表示这个特征到底有多重要，（因为他是反映的在某个方向上的伸缩变化的程度，所以当值越大，说明变化越大，也就是他所对应的特征向量就越重要，我是这样理解的）。特征向量则表示这个特征到底是什么，可以将每个特征向量理解为一个线性子空间。
特征值分解的缺点在于A必须是方阵，那对于一般矩阵，要怎样去描述它的重要特征呢？这就需要SVD
标量场（Scalar Field）
https://zh.wikipedia.org/wiki/%E6%A0%87%E9%87%8F%E5%9C%BA
是数学和物理学中场的一种。假如一个空间中的每一点的属性都可以以一个标量来代表的话，那么这个场就是一个标量场。
常见的标量场有温度、气压及湿度场。
梯度
https://zh.wikipedia.org/wiki/%E6%A2%AF%E5%BA%A6
标量场中某一点的梯度指向在这点标量场增长最快的方向（当然要比较的话必须固定方向的长度）
在单变量的实值函数的情况，梯度只是导数，或者，对于一个线性函数，也就是线的斜率。
梯度的解释：
考虑一座高度在点(x,y)是 H(x, y)的山。 H这一点的梯度是在该点坡度（或者说斜度）最陡的方向。梯度的大小告诉我们坡度到底有多陡。
我理解的是，如果在这个方向上越陡峭，也就是说梯度最大，那么我朝着这个方向走，上升得也最快。我走1m可能高度能上升0.8m，而朝其他方向走同样的距离都不能上升这么多。
偏导数
https://zh.wikipedia.org/wiki/%E5%81%8F%E5%AF%BC%E6%95%B0
一个多变量的函数的偏导数是它关于其中一个变量的导数，而保持其他变量恒定（相对于全导数，在其中所有变量都允许变化）。
因为曲面上的每一点都有无穷多条切线，描述这种函数的导数相当困难。偏导数就是选择其中一条切线，并求出它的斜率。
回归
http://www.cnblogs.com/LeftNotEasy/archive/2010/12/05/mathmatic_in_machine_learning_1_regression_and_gradient_descent.html#3545861
给定一个点集，用一条曲线去拟合。线性回归，二次回归
一个例子：房屋价值评估系统，价值来自很多方面，比如地段、面积、朝向等，这些变量称作特征(feature)。
典型的机器学习的过程：通过输入数据（训练数据）---> 估计函数（或者说模型）---> 将新数据输入到模型中 --- >得到新的估计
最下二乘法
https://zh.wikipedia.org/zh-cn/%E6%9C%80%E5%B0%8F%E4%BA%8C%E4%B9%98%E6%B3%95
又称最小平方法，是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。
目的是根据一些列的点 (x,y) ，找出一条和这些点最匹配的直线，如：
手段的实质是求方差最小，对一个二元函数 f(x,y) 分别对x和y求偏导，并使其等于0，求得一个二元方程组，从而求得x，y的值。wiki上直接就写这样求得的x，y是使得 f(x,y) 最小的时候的值，我觉得不太合适，我觉得求得的是这个二元函数的极值点，而关于二元函数在这个点是否有极值，而且是极大值还是极小值还是需要做进一步判断的。这个先放这里，以后再考虑。
梯度下降法
https://zh.wikipedia.org/zh-cn/%E6%A2%AF%E5%BA%A6%E4%B8%8B%E9%99%8D%E6%B3%95
一种用来找到函数局部极小值的方法
HOG 方向梯度直方图（Histogram of Oriented Gradient, HOG）
Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功
直方图均衡化
https://zh.wikipedia.org/wiki/%E7%9B%B4%E6%96%B9%E5%9B%BE%E5%9D%87%E8%A1%A1%E5%8C%96
利用图像直方图对对比度进行调整的方法，常用来增加图像的全局对比度，尤其是图像有用数据的对比度相当有用的时候
熵
概率是真实反映变化到某状态的确信度。而熵反映的是从某时刻到另一时刻的状态有多难以确定。熵是用来衡量我们对事物在跨时间后能产生不同状态的混乱度。
https://www.zhihu.com/question/22553761
https://zhuanlan.zhihu.com/p/22888385