这是论文“Density Peak Clustering-based Noisy Label Detection for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2018, (Accepted)”的代码，更多细节可以在论文中找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得

使用K均值的体外LSCI图像中的血管定位 该存储库具有实现会议文章中描述的方法的功能：使用在“ 图像在体外的LSCI图像中进行血管定位” ，这是项目“血管的可视化和定位”的一部分而开发的。 抽象的 激光散斑对比度成像中血管的可视化和定位是生物医学应用（例如皮肤病学，神经科学和眼科学）中的一项重要任务，因为它可以确定血管的存在并评估诸如血流的性质。 这项工作建立了可视化方法的综述，用于对比度计算和激光散斑对比度成像的改进。 另外，通过聚类以自动方式提出了血管的定位。 结果表明，血管的定位很大程度上取决于对比度的计算和改善。 如果血管和生物组织区域彼此分开得很好，并且噪声水平较低，则K均值聚类是在激光斑点对比成像中定位血管的强大工具。 内容 组织 没有声明其他内容目录。 贡献者 算法，应用程序和工具的代码由以下人员贡献： F. Lopez-Tiro，H.Peregrina-Barreto，J

unet 训练结果 image-segmentation-keras-master

数字图像处理，冈萨雷斯，文字版，英文版，第三版，解答，国内外经典教材

人脸识别 这个仓库是使用TensorFlow 2.0框架，并基于 论文上完成的，其中主要分为四大块：人脸检测、人脸矫正、提取特征和特征比对。各个模块的大小和在我的 17 款 macbook-pro 的 CPU 上跑耗时如下： 人脸检测：使用的是 mtcnn 网络，模型大小约 1.9MB，耗时约 30ms； 人脸矫正：OpenCV 的仿射变换，耗时约 0.83ms； 提取特征：使用 MobileFaceNet 和 IResNet 网络，耗时约30ms； 特征比对：使用曼哈顿距离，单次搜索和完成比对耗时约 0.011 ms； 注册人脸 注册人脸的方式有两种，分别是: 打开相机注册: $ python register_face.py -person Sam -camera 按 s 键保存图片，需要在不同距离和角度拍摄 10 张图片或者按 q 退出。 导入人脸图片: 保证文件的名字与注册人名相

章毓晋编著的《图像工程》第2版下册图像理解，很经典的图书，图像学入门必备，高清PDF版本

BPG 图像编码器和解码器 BPG 是一个由开发的库。 项目官网为 快速介绍 编辑 Makefile 以更改编译选项（Linux 的默认编译选项应该没问题）。 输入“make”进行编译，输入“make install”安装编译好的二进制文件。 x265 使用：为了大大提高压缩速度（但质量较低），您可以编译和安装 x265，然后在 Makefile 中启用它。 当压缩级别（bpgenc 的“-m”选项）<9 时使用 x265。不幸的是，x265 尚不支持单色格式或无损模式，因此在这些情况下仍然需要 JCTVC 代码。 对于默认的 x265 编译，仅支持 8 位深度（因此您必须使用“-b 8”强制位深度为 8）。 Emscripten 用法：为了生成 Javascript 解码器，您必须安装 Emscripten 并在 Makefile 中启用它。 html/index.html 中提

matlab检索相似图像 - 使用自定义特征包的图像检索-MathWorks

一个比较好用的Bitmap Image Reader Writer Library 。该库只有一个hpp文件，跟CImg有几分相似（但功能没有CImg丰富，可满足日常开发的基本需求足够）。该库不仅可以很方面的进行bmp文件的读写操作，而且还可以进行放大、缩小、上采样、下采用，按坐标索引读取和修改像素值等

qpsk误码率matlab代码影像传输使用64-QAM 使用64 QAM通过有线和无线通道传输图像 影片连结- 介绍 调制是发送消息信号的过程。 在通信系统中用于图像传输的有各种数字调制技术，例如QPSK，16-QAM，64-QAM。 在一定的噪声水平下，系统的性能是可以接受的。 如果噪声水平增加，则性能可能会受到干扰。 通过使用承载更高数据速率的64 QAM调制技术，这对于图像传输至关重要。 诸如64 QAM之类的调制技术的性能要优于QPSK和16 QAM技术。 64-QAM是一种高阶调制技术，它通过将信号的幅度和相位控制为64种不同的离散和可测量状态之一来允许一个信号代表六位数据。 一般工作流程 Matlab实施 在Matlab文件夹中运行“ compare.m”文件。 它将针对不同的SNR值重新生成不同的图像。 以下是不同SNR值的误差图。 C ++实现 运行main.cpp文件。 它将调制->生成噪声->添加噪声->解调。 该项目在zedboard上得到了进一步实施。 状态-已完成 C ++代码和MATLAB代码均可用并且可以正常工作。 最终的C ++代码在zedboard上实