用于图像分割的局部区域能量最小化算法

面部欺骗检测 深度纹理特征提取及基于局部二值模式的卷积神经网络的实现

帕格莫 重要提示：pygmo（用于pagmo的Python绑定）已拆分成一个单独的项目，托管。 请更新您的书签！ pagmo是用于大规模并行优化的C ++科学库。 它基于以下思想：为优化算法和优化问题提供统一的接口，并使它们在大规模并行环境中的部署变得容易。 如果您将pagmo用作研究，教学或其他活动的一部分，如果您可以对存储库加注星标和/或引用我们的工作，我们将不胜感激。 出于引用目的，您可以使用以下BibTex条目，该条目引用《开源软件杂志》中的： @article { Biscani2020 , doi = { 10.21105/joss.02338 } , url = { https://doi.org/10.21105/joss.02338 } , year = { 2020 } , publisher = { The Open Journal } ,

该功能非常易于使用。 一个可调参数使其能够适应非常不同的应用。 它应该适用于任何 Matlab 版本。

首先对伪中值滤波算法进行了改进:噪声检测过程融入像素点灰度值、几何距离等因素,实现噪声点从图像像素点中的逐步分离;采用加权滤波的方法滤除噪声。其次对改进非局部均值滤波算法的先验信息获取方法进行了改进:对噪声图像进行提升小波变换,采用一种新型阈值函数选择低频分解系数,对高于阈值的系数进行重构得到参考图像,计算参考图像的相似度权值并将其作为改进非局部均值滤波算法的先验信息。最后基于2种改进算法提出了一种红外图像滤波方法,即依次采用改进伪中值滤波算法和基于先验信息的改进非局部均值滤波算法对红外图像进行滤波处理,然后将其与参考图像进行融合,以修正被过度滤波的图像。实验结果表明,该方法针对高密度噪声的红外图像有较好的滤波效果。

IEC局部放电标准（英文版），做局部放电光国标是不行的

针对车牌无法识别的车辆，研究了一种车脸定位及识别方法。该方法分为两个阶段：首先，使用Adaboost算法进行车脸定位，并利用经验矩形方法进行定位改进；其次，在定位出来的车脸区域提取SIFT（scale-invariant feature transform）和SURF（speeded up robust feature）局部不变性特征，利用这两种不变性特征的叠加及位置约束改进匹配算法，与标准车型数据库中的车脸特征进行匹配，根据匹配结果进行车脸识别，从而得到车辆类型。实验结果表明，该方法的正确识别率达到83.6%。交通卡口抓拍到的车辆照片基本是正前照，无法获取车身侧面信息分析其车型。针对车牌无法识别的车辆，通过车脸定位、特征提取，并与标准车型库中车脸进行对比，进而识别车脸，该识别车脸的方法为识别车型提供了一种新途径。

基于图像分块的局部阈值二值化方法

基于局部对比度增强的CLAHE算法 --直方图增强

针对单帧低分辨率图像的超分辨率重建问题，提出一种改进的小波局部适应插值的超分辨率重建方法，该方法能够弥补重建图像边缘不平滑的缺陷。结合小波变换与可分离高低频信息的特性，提出一种综合两者优点的单帧图像超分辨率重建算法。实验结果表明，采用该算法得到的重建图像不仅能较好地保留原始图像的细节信息，提高图像的空间分辨率，并能提高图像的峰值信噪比，更适合人眼视觉系统。