我们提出了一种新颖的基于地标匹配的多模态图像对齐方法，该方法是通过解决不同特征模态之间的线性映射而唯一实现的。 该线性映射导致对从不同模态捕获的图像的相似性进行新的测量。 此外，我们的方法通过最小化凸二次函数来同时解决此线性映射和界标对应关系。 我们的方法可以估计不同模态与非线性非刚性空间变换之间的复杂图像关系，即使在存在重噪声的情况下也是如此，如使用各种图像模态进行的实验所示。

matlab 傅里叶变换代码 DIP Homework Final README 文件说明 文件名 文件类型 说明 run_demo.m Script 执行测试脚本，输入图片路径在generate_init_data中设置 generate_init_data.m Script 生成输入图片I、模糊图B、模糊核K、噪点图N和降噪图Nd等数据 test_denoise.m Script 测试降噪功能（仅测试一个通道） test_matrix_vector_mul.m Script 测试图片的Matrix形式的转换，并测试转换后的矩阵乘法 generate_blurimg.m Function 为输入图片生成模糊图和噪点图 random_kernel.m Function 生成随机的Blur Kernel write_kernel.m Function 将Kernel以图片形式保存到磁盘 denoise.m Function 为输入图片降噪 denoise_preprocess.m Function 降噪算法预处理数据 denoise_channel.m Function 为RGB图的单一

matlab开发-将深度图像与相应的彩色图像对齐。此程序将深度贴图与其颜色图像对齐，以用于基于图像的渲染应用程序

该文件是我的博客：应用 OpenCV 进行 增强相关系数（ECC）最大化的图像配准 的相关资料，欢迎下载！

###StackAlign StackAlign 是一个 Matlab 工具箱，用于手动对齐堆栈中的图像。 它在生活中的主要目的是对齐使用标准荧光显微镜拍摄的少量（数十）低分辨率图像。 StackAlign 还具有一些基本的图像处理和分析功能： 阈值（例如用于定位荧光区域） 投资回报率选择 ROI 和阈值图像的 3D 显示 应用：* StackAlign 正在进行中。 ###Documentation 有关如何使用该库的演示，请参见example.m 。 ####Filename 约定 StackAlign 始终在当前目录中工作。 在运行任何 StackAlign 函数之前，使用 cd() 命令更改目录。 假设当前目录中的所有图像文件都属于同一个图像堆栈，并且它们具有以下文件名结构： Speciment_Region_Slide_Section_Stain.tiff 示

里面包含着VGG16和VGG19的模型，是对CIFAR10进行一个图像分类的源码，全部可以运行，并且在这里面，如果不想运行那么久，也有一个模型可以直接加载即可，非常全面。包含了可视化，训练模型，测试模型，加载模型，保存模型一系列操作，不对CPU和GPU做限制，都可以直接运行，非常方便。最高的准确率达到了92.58%

matlab蚁群算法代码用于图像对比度增强的混合蚁群优化、遗传算法和模拟退火 可以在此 repo 中找到使用自然启发方法增强灰度图像对比度的 MATLAB 代码。 受自然启发的方法是蚁群优化、遗传算法和模拟退火，它们生成全局传递函数将输入图像转换为更高对比度的图像，同时尽量保持图像的自然外观。 描述 图像增强器方法的详细信息发表在我们的论文中：DSP（或）和 CEC（或）。 该方法的工作原理是在搜索空间中放置一些人工代理（又名人工蚂蚁）以生成一个传递函数，该函数可用于将任何图像转换为更高对比度的图像。 蚂蚁从传递函数的原点（左下角）开始，然后移动到它的右上角。 任何蚂蚁都会在其可用的移动选项中进行概率选择，如下所示： 到达最后一点后，创建传递函数并评估其适应度。 根据传递函数的好坏，信息素会沉积在蚂蚁走过的路径上。 点上的信息素增加了蚂蚁在下一次迭代中选择在附近经过它的机会。 这是蚂蚁在传递函数窗格上移动一段时间后的信息素痕迹示例。 每只人工蚂蚁在这个过程中都有一个遗传密码。 蚂蚁种群通过遗传算法进化。 这改变了蚂蚁的特征及其在搜索空间中遍历路径的偏好。 选择最佳传递函数后，模拟退火尝

点云和相机图像对齐文件---hw_1.cpp,好用

两幅图像其中一幅歪斜，对两幅对比，将歪斜的图像对齐

CIFAR 10 keras CNN模型 这是一个具有keras CNN模型和GUI接口的简单python项目，用于选择keras模型并测试该模型以对图像进行分类 用法 要训​​练新模型，您只需要运行train_model.py文件，如果您想更改训练的设置，就需要进行修改，并根据自己的喜好对其进行修改。 该模型现在的准确度达到80％以上，并且由于我没有Nvidia GPU，因此需要花费一段时间来训练该模型50个以上的时间，但是我敢肯定，将其运行更多的时间可以提高最终的准确度。 注意事项 我刚刚开始学习ML和深度学习，因此代码本身既不完美也不完全优化，但是可以随时对其进行改进！