成员变量与局部变量的区别.pdf

增强的拉格朗日数字体积相关性（ALDVC）：基于混合局部-全局方法的体积位移和应变测量。 ALDVC 是一种快速、并行计算的混合 DVC 算法，它结合了局部子集方法（计算速度快，并行计算）和基于有限元的全局方法（保证全局运动兼容性和降低噪声）的优点。 ％================================== 有关完整详细信息并使用此代码，请引用我们的论文： Yang, J., Hazlett, L., Landauer, A., Franck, C. 增强拉格朗日数字体积相关性。 实验力学，2020 ( https://link.springer.com/article/10.1007/s11340-020-00607-3 )。 或在以下位置索取全文： https://www.researchgate.net/publication/343676441_Augmente

对齐 执行序列比对。 对齐既可以是全局的也可以是局部的，也可以是相互的或不相互的。 介绍 align是一个Python模块，可提供全局和局部序列比对的常规实现（阅读：不限于生物信息学）。 对齐可以进一步是相互的和非相互的。 相互比对是序列比对，其中两个序列都是缺口插入的候选者，而非相互比对仅允许缺口插入第二序列。 它以C语言实现以提高速度，并与Cython封装在一起，以简化Python的使用。 使用的算法是Needleman-Wunsch（用于全局对齐）和Smith-Waterman（用于局部对齐）。 align使用一个对称的numpy.ndarray作为得分矩阵，该矩阵必须为numpy.int16 。 它还支持迭代比对（将一个序列与另一个已经包含缺口的序列进行比对）。 要使用此功能，评分矩阵的形状必须为（257，257），最后一行和最后一列用于对固定间隙和字母符号的匹配项进行评分。

关于sift的局部视觉特征匹配，可直接在matlab中打开即可运行

这是局部敏感性分析国外大学的详细讲解，非常详细非常好

[附件中程序使用的详细说明]摄像平台高速靠近目标时，会使成像产生从中心到边缘呈放射状径向模糊的问题，影响对目标的探测、识别与跟踪。针对这一典型的空间变化运动模糊情形，根据实际的目标离散成像过程，推导出 径向模糊图像在极坐标系中的数学模型。并在分析极坐标图像纹理信息几何特征的基础上，基于非局部正则化理论提出改进的Richardson-Lucy 算法，有效解决了模糊系数存在测量误差时，含噪径向模糊图像的复原问题。实验结果表明：提出的图像复原算法能很好地抑制噪声与环状振铃效应，在主观视觉与客观评价方面均能取得很好的复原效果。

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。

MATLAB自定义函数及局部变量.docx

提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息，对降维后的图像利用局部二值模式进行空间纹理特征分析，采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取，保证了高光谱图像的谱间冗余的有效去除，同时保护了高光谱图像的空间局部邻域信息，因此，此类算法不但能充分挖掘高光谱图像的谱间-空间特征，在较大程度上提高分类精度和Kappa系数，而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。

自己总结了在学习局部保持投影过程中的一些概念和心得