为了提高刀具几何参数图像测量精度, 基于矩法理论, 提出了一种亚像素边缘检测算法。该方法的基本 思想是采用灰度空间矩, 将图像边缘特征离散为亚像素级特征点, 并用Matlab 实现图像的处理。实验证明, 基于亚 像素特征点提取检测的刀具几何参数具有较高测量精度, 且计算量小, 具有很好的抗噪性能。

利用opencv的亚像素级别的边缘检测和获取，添加了原有程序的包含文件和库，可以直接调试运行，个边参数可以根据实际情形修改

一种快速亚像素边缘检测算法的实现的理论，可以快速实现亚像素的算法，在时间上有一定的优势，先看理论，然后自己通过理论用C++实现

亚像素精度轮廓表示图像中两个区域之间的边界,这两个区域中一个区域的灰度值大于灰度值阈值g_sub而另一个区域的灰度值小于g_sub。为获取这个边界,我们必须将图像的离散表示转换成一个连续函数。

亚像素边缘检测技术是采用图像处理软件算法来提高检测精度的有效途径, 文中对矩法、拟合法和插值法等常用的亚像素边缘检测算法的原理、优点和不足进行了分析 ,提出了Sigmoid函数拟合的亚像素边缘定位算法.该算法采用 Sigmoid函数拟合边缘模型,利用图像边缘灰度信息对模型进行非线性最小二乘拟合 , 求得边缘的亚像素位置 .理论分析和实验结果表明 , 基于 Sigmoid函数拟合的亚像素边缘定位算法的定位精度为 0.045像素 ,但检测的速度比灰度矩提高了一个数量级 ,比空间矩 、Zernike矩和插值法提高了两个数量级 .此算法能较好地满足影像测量的稳定可靠 、高精度及强实时性要求。

OpenCV中亚像素角点的求法原理详解，分析很透彻，供参考

一篇非常好的超像素综述，适合初学者！文章是中文的，我刚开始接触的时候就读这篇文章！

基于MCNN的_HSI_分类 文件 MCNN-CP：使用混合卷积和协方差合并的高光谱图像分类（TGARS 2021） MCNN-PS和Oct-MCNN-PS：使用混合3D八度音程和2D子像素卷积神经网络的高光谱图像分类（已提交TGARS） 1.环境设置 该代码已在配备Intel i7-9750H 2.6 GHz处理器，32 GB RAM和NVIDIA GTX1650图形卡，Python 3.6，tensorflow_gpu-1.14.0，Keras-2.2.4，CUDA 10.0， cuDNN 7.6。 请在运行此代码之前安装相关的库： pip install -r requirements.txt 2.下载日期集： IP：， UH： 上： SA：和 并将它们放入数据目录。 3.下载模型（加载模型）： 代码：caor 并将它们放到models目录中。 4.下载pretrai

这个函数只有一个输入，它是要添加填充像素的初始图像（填充像素的值=0）。 在输出中，新尺寸的图像=（初始行数+2）*（列数+2）。

cocos creator 像素鸟完整工程，直接打开即可运行，很适合新手，包括碰撞，物理引擎，力作用，UI等的使用