细节增强的matlab代码水下图像增强 该项目由Jonathan Nguyen和Bruno Bombassaro创建，用于UCLA的ECE 113D设计顶峰课程。 该项目的目标是在运行C的平台上实现该算法。特别是，我们在意法半导体NUCLEO-H745ZI板上测试了该实现。 按照目前的情况，H7板的RAM限制阻止了我们的程序在其上运行。 因此，今后，算法实现仍将用C编写，但不再特定于H7板。 使代码与运行C的嵌入式平台兼容的唯一附加功能是实现特定的文件IO功能（这些是H7上的USB_HOST功能）。 算法 该算法由Ancuti等。 al。 是为了修正水下拍摄的常见缺陷而创建的。 例如，光在水下传播越深，低频光分量衰减的程度就越大。 对于水下图像，这意味着红色通道比在水面上拍摄的照片更柔和。 另外，水中存在的颗粒物会引起类似雾霾的效果，使边缘模糊并使图像细节模糊。 为了解决这个问题，该算法执行以下步骤。 白平衡 伽玛校正（1） 在（1）上图像锐化 计算（2）和（3）的拉普拉斯权重图 计算（2）和（3）的显着性权重图 计算（2）和（3）的饱和权重图 合并权重图 利用融合技术的权重图重建图像

“自动泊车、公路巡航控制和自动紧急制动等自动驾驶汽车功能在很大程度上是依靠传感器来实现的。重要的不仅仅是传感器的数量或种类，它们的使用方式也同样重要。目前，大多数路面上行驶车辆内的ADAS都是独立工作的，这意味着它们彼此之间几乎不交换信息。只有把多个传感器信息融合起来，才是实现自动驾驶的关键。”现在路面上的很多汽车，甚至是展厅内的很多新车，内部都配备有基于摄像头、雷达、超声波或LIDAR等不同传感器的先进驾驶员辅助系统（ADAS）。这些系统的数量将会随着新法案的通过而不断增加，例如在美国，就有强制要求安装后视摄像头的法案。此外，诸如车险打折优惠和美国公路交通安全管理局（NHTSA）、欧洲新车安

使用遗传算法优化人工势场参数，相比单一的人工市场和遗传算法具有更好的性能。

基于卡尔曼滤波数据融合算法的智能钓鱼竿系统.pdf

基于CPSO-RLS的电力系统谐波估计融合算法.pdf

针对室内环境中指纹定位接收信号强度信息的高维时变特性以及动态目标定位误差的 累积问题，提出了一种基于梯度提升决策树与粒子滤波相结合的融合算法。该算法首先利用梯 度提升决策树算法建立的位置坐标与接收信号强度之间的非线性映射模型，对在线接收的信号 强度数据进行特征分类判别，实现位置的初步估计；随着目标的运动，进一步结合粒子滤波方 法，迭代地实现动态目标位置的精确预测；另外，将定位轨迹与实际轨迹进行对比，以验证该算 法的稳定性。实验仿真结果表明：累积分布函数在80％的百分位处，提出算法的定位精度控制 在1.19m以内，明显优于基于支持向量机、随机森林等定位算法；同时较基于梯度提升决策树 算法的定位精度提升了34.9％；所获得的定位轨迹与实际轨迹的趋势一致且趋于收敛。

基于均值聚类多小波图像融合算法研究.pdf

测向交叉定位系统中的K-means聚类融合算法.pdf

C语言，IMU融合算法，madgwick和mahony两种

#资源达人分享计划#