算法流程 1、随机初始化一个4096行8列的矩阵W和一个8行64列的矩阵H，设定误差阈值[公式]和迭代轮数[公式] 2、按照上述的乘法更新规则更新（即(1)和(2)式）W和H矩阵，迭代进行第二步 3、输出W矩阵，W矩阵的每一列即为一个特征，即对应的一个数字。将每一列重新展开为一个64*64的矩阵，转置后绘制出来，可看到对应的8个数字，得到结果如下图（1000轮迭代，大约9秒完成）。可看出非负矩阵分解可以很好地将原图中的特征提取出来。

详细的介绍了人脸识别过程中的特征提取等问题，并介绍了几种特征提取的方法，是初学者值得阅读的东西

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：车辆特征提取_小波轮廓检测_Moracev焦点检测_车辆检测_moracev_车辆识别_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

为了实现对高光谱图像的分类, 提出了一种基于多特征和改进稀疏表示的方法——MFISR。从高光谱图像中提取光谱特征、Gabor特征和局部二值模式(LBP)特征, 求解稀疏系数, 同时增加一个2范式约束, 利用所得系数得到每个测试像素的最终类别标签。实验结果表明：所提MFISR方法对小样本的检测效果显著, 分类性能稳定且较优。

打开main.m文件，按下F5即可开始运行，根据弹出框的提示进行操作，最终可实现人脸检测

LBP特征提取算法（计算机视觉） 计算机视觉.pdf

计算机视觉特征提取与图像处理总结 计算机视觉.pdf

音频特征提取的改进及可视化方法的研究 音频特征提取的改进及可视化方法的研究 音频特征提取的改进及可视化方法的研究

disp('展示BP的训练集分类') bp_train_accuracy=sum(J==J1)/length(J) figure stem(J,'bo'); grid on hold on plot(J1,'r*'); legend('网络训练输出','真实标签') title('BP神经网络训练集') xlabel('样本数') ylabel('分类标签') hold off %% 测试集准确率 tn_bp_sim = sim(net_bp,P_test);%测试 [I J]=max(tn_bp_sim',[],2); [I1 J1]=max(T_test',[],2); disp('展示BP的测试集分类') bp_test_accuracy=sum(J==J1)/length(J) figure stem(J,'bo'); grid on hold on plot(J1,'r*'); legend('测试输出','真实标签') title('BP神经网络测试集') xlabel('样本数') ylabel('分类标签') hold off

故障特征的研究方法说明。