DFT的matlab源代码火焰探测系统 该项目是基于视频的多功能火焰检测系统的不完全实现，这是我的毕业设计。 一些话要说 当我开始研究该主题时，我在Internet上发现了很多文章和很少的代码。 因此，当我最终完成它时，我决定将其开源。 请注意，该项目尚未准备好实际应用。 由于在该项目上花费的时间有限，因此仅对代码进行了部分优化。 但是，在Mac上进行测试时，响应时间是完全可以接受的。 搭建环境 该项目是在Mac OS X 10.9.3上使用Xcode 5.0.2构建的，并且是通过OpenCV 2.4.8实施的。 由于它不使用特定平台的任何本机接口，因此可以轻松移植到其他平台，例如Windows，Linux，Android等。 如果要使用保存视频功能，则需要确保OpenCV编译时支持FFMPEG，否则请自己编译。 结果 以下两个图像显示了结果。 流程 首先，使用颜色检测和运动检测对输入图像进行分割，然后提取候选火焰区域。 使用高斯混合模型进行背景建模以检测运动像素。 使用基于RGB和HSV颜色空间的火焰颜色模型来检测具有类似火焰颜色的像素。 将以上两个步骤的结果相交，以获取候选区域。

针对融合后的医学图像时常存在细节纹理不够清晰的问题，本文提出一种新的基于非下采样剪切波变换（Non-Subsampled Shearlet Transform，NSST）的医学图像融合算法，对多模态医学影像进行融合，增强细节结构提取的能力，提高图像融合质量，为医疗诊断提供依据.首先，将已配准的源图像进行NSST分解，得到低频子带和一系列高频子带；其次，对于低频子带系数，提出利用局域平均能量与局域标准差的合成值进行子带之间选择的融合策略，有利于完整保存基础信息，对于高频子带系数，利用改进的拉普拉斯能量和（New Sum of Modified Laplacian，NSML）的方法进行融合；接着，将融合过后的低、高频子带进行NSST的逆过程变换，从而得到融合之后的图像；最后，在灰度和彩色医学多模态图像上进行大量的实验，并选择信息熵（IE），空间频率（SF），标准差（SD）和平均梯度（AG）对融合后的图像进行质量评价.仿真结果表明，本文算法在主观视觉效果以及客观评价指标上均取得较大改善.与其他算法相比，信息熵，标准差，空间频率和平均梯度的平均值分别提高了2.99%，4.06%，1.78%和1.37%，融合后的图像包含更丰富的细节纹理信息，视觉效果更好.

mfcc特征提取的matlab代码此软件包已弃用，不再维护，请改用神农： 安装： 简而言之，如果所有依赖项都安装在系统上，则可以在cli内安装feature_extraction ： python setup.py build && python setup.py install 如果使用conda从源代码安装并且未安装依赖项，则可以执行以下操作： 来自github的gget feature_extraction ： >> git clone https://github.com/bootphon/features_extraction 创建您的环境，例如，如果使用conda（使用来自的python 2.7 64-BIT） >> cd features_extraction >> conda create --name feat --file requirements.txt >> source activate feat 安装conda不可用的其他依赖项 (feat) >> pip install oct2py (feat) >> pip install git+http://git

HED算法用到的数据集

利用小波变换获取子图像的能量值来提取高分辨率遥感影像的纹理特征,采用了大量训练样本进行特征统计,揭示了小波变换用于遥感影像纹理特征提取的规律。

本文应用小波变换技术对电力用户每15分钟采集一次的用电负荷数据的特征进行了梳理，选择小波变换算法开展用电负荷数据的特征提取，优化数据存储方式实现数据压缩与脱敏存储，用以解决海量用电负荷指标数据的存储问题。结果表明，通过小波变换可以有效提取数据特征，压缩存储空间约50%，并实现数据脱敏。本文所研发的基于小波变换特征提取技术实现用电负荷数据压缩与脱敏存储的技术具有潜在的应用价值和推广价值，并能够产生较高的经济效益。

C 特征匹配源码，都是一些特征匹配类文件，在开发的时候用得上，基于opencv的特征匹配，用的算法是sift，包含大部分源代码，懂得的朋友按照文件加载即可使用。

人脸图像特征提取matlab代码 《数字图像处理与机器视觉:Visual C++与Matlab实现》 各种标准图像处理算法(Matlab／Visual C++) 汽车牌照的投影失真校正(Matlab／Visual C++) 顶帽变换(Matlab／Visual C++) 主成份分析(Matlab) LBP特征提取(Matlab) 基于人工神经网络的数字识别系统(visual C++) 基于支持向量机的人脸识别系统(Matlab) 为想要了解数字图像处理与机器视觉领域的读者提供了一条扎实的进阶之路，从基本的图像处理算法，到投影校正、顶帽变换等高级应用，再到特征提取、分类器设计，以及像光学字符识别、人脸识别等综合案例，一步步地引导读者从阅读中获得知识，于实践中升华感悟。 Matoab与Visusl C++两种语言描述的无缝连接，体现出科学研究和工程实践在图像处理与机器视觉领域的完美结合。 该代码已经在VS2015x64 和 x86 下实验通过，很多基础的图像处理算法C++实现都在里面 MICROSOFT FOUNDATION CLASS LIBRARY : DIPDemo 《数字图像处理与

基于自组织特征映射网络的亚洲足球水平聚类,这是完整程序，可运行。

低速率拒绝服务（LDoS,low-rate denial of service）攻击是一种降质服务（RoQ,reduction of quality）攻击，具有平均速率低和隐蔽性强的特点，它是云计算平台和大数据中心面临的最大安全威胁之一。提取了LDoS攻击流量的3个内在特征，建立基于BP神经网络的LDoS攻击分类器，提出了基于联合特征的LDoS攻击检测方法。该方法将LDoS攻击的3个内在特征组成联合特征作为BP神经网络的输入，通过预先设定的决策指标，达到检测LDoS攻击的目的。采用LDoS攻击流量专用产生工具，在NS2仿真平台和test-bed网络环境中对检测算法进行了测试与验证，实验结果表明通过假设检验得出检测率为 96.68%。与现有研究成果比较说明基于联合特征的LDoS攻击检测性优于单个特征，并具有较高的计算效率。