1、matlab仿真模型及仿真结果； 2、模型介绍及仿真结果分析； 3、采集或下载一定数量不同情况的航拍输电线路中的绝缘子图像； 4、利用数学形态学对图像进行修正； 5、利用多种局部特征等对图像进行分析； 6、运用仿真软件对不同图像进行仿真，利用2-3种局部特征算法（Harris、SURF、MSER等）对不同图像进行特征值提取，进而判断输电线路和绝缘子是否正常运行；

图像模糊matlab代码CGFFCM-Cluster-weight-and-Group-local-Feature-weight-learning-in-Fuzzy-C-Means-clustering-algorithm Source_Code 文件包含 CGFFCM 算法的 MATLAB 实现，如下所述： A.Golzari oskouei、M.Hashemzadeh、B.Asheghi 和 M.Balafar，“CGFFCM：用于彩色图像分割的模糊 C 均值聚类算法中的聚类权重和组局部特征权重学习”，应用软计算，2021 （提交）。 为算法的所有步骤编写注释以更好地理解代码。 此外，为了便于运行，还实现了一个演示，它是通过导入数据和其他必要的算法参数来运行的。 为了评估所提出算法的性能，我们使用基准伯克利数据集。 上传的文件（Test_Dataset.rar）中有这个数据集的一些图片。 整个数据集可在：。

基于OpenCV2.4.2和VS2008平台下的ORB和FREAK局部特征描述子的对比实验代码

为了解决高阶局部特征带来的计算复杂度提高问题, 提出一种基于核函数的高阶局部特征表示方法。通过在两幅图像的局部特征之间进行比较, 将特征空间映射到几何不变空间, 统计高阶局部特征构建核函数, 并结合支持向量机进行多类目标图像分类实验。实验结果分析表明, 该方法在提高分类准确率的同时, 所需的计算时间只与局部特征的个数呈线性增长。

在定义瞬时频率具有物理意义的内禀尺度分量(Intrinsic scale component,ISC)的基础上,提出了一种新的自适应时频分析方法―――局部特征尺度分解(Local charac- teristic-scale decomposition,LCD),该方法可以自适应地将一个复杂信号分解为若干个ISC 分量之和.分别采用LCD方法和经验模态分解(Empirical mode decomposition,EMD)方法对仿真信号进行了分析,分析结果表明:2种方法都可以有效地对信号进行分解,但LCD

推荐国防科技大学郭裕兰博士的《点云局部特征描述与三维目标重建识别技术研究》，将特征描述的本质说出来了： 一个良好的特征描述子应能包含所在局部表面的主要形状信息以提供足量的 鉴别力。此外，一个良好的特征描述子还应对噪声、遮挡、背景干扰、点密度变 化以及视点变化等稳健。现有的局部特征描述算法可以分为基于点特性、基于直方图以及基于变换的算法三类。 基于变换的算法首先将点云从空间域变换到其它域（比如谱域），进而采用该变换域 中的信息实现对关键点局部邻域的描述。

局部特征匹配

为提高人脸表情分类的识别率和实时性,提出一种基于卷积神经网络(CNN)局部特征融合的人脸表情识别方法。首先,构建CNN模型,学习眼睛、眉毛、嘴巴3个局部区域的局部特征;然后,将局部特征送入到支持向量机(SVM)多分类器中获取各类特征的后验概率;最后,通过粒子群寻优算法优化各特征的最优融合权值,实现正确率最优的决策级融合,完成表情分类。实验表明,本文方法在CK+和JAFFE数据库的平均识别率分别达到了94.56%和97.08%,与其他识别方法相比,本文方法性能优越,能提高算法的识别率和稳健性,同时保证了算法的实时性。

深度局部特征（DeLF）的Pytorch实现 PyTorch实现的“具有深深的局部特征的大规模图像检索” 参考： : 先决条件 火炬 python3 CUDA 训练DeLF DeLF训练有两个步骤：（1）调整阶段，和（2）关键点阶段。 Finetune阶段加载ImageNet上预训练的resnet50模型，并进行优化。 关键点阶段将冻结“基本”网络，并且仅更新“注意”网络以进行关键点选择。 训练过程完成后，模型将保存在repo//keypoint/ckpt （1）培训微调阶段： $ cd train/ $ python main.py \ --stage ' finetune ' \ --optim ' sgd ' \ --gpu_id 6 \ --expr ' landmark ' \ --ncls 586 \ --f

行业分类-物理装置-三维局部特征描述子获取方法与特征描述子的匹配方法.zip