Gabor特征提取 第一个名为“ gaborFilterBank.m”的函数会生成一个自定义大小的Gabor滤波器组。 它创建一个UxV单元格数组，其元素是MxN矩阵。 每个矩阵都是二维Gabor滤波器。 第二个名为“ gaborFeatures.m”的函数提取输入图像的Gabor特征。 它创建一个列向量，该列向量由输入图像的Gabor特征组成。 特征向量被归一化为零均值和单位方差。 每个文件的末尾都有一个“显示”部分，该部分绘制滤镜并显示滤过的图像。 这些仅用于说明目的，您可以根据需要对其进行评论。 可以在以下位置找到更多详细信息： M. Haghighat，S. Zonouz，M. Abdel-Mottaleb，“ CloudID：可信赖的基于云和跨企业的生物特征识别”，《专家系统与应用》，第1卷，第1期。 42号21，第7905-7916，2015年 （C）迈阿密大学Moham

可见一红外图像之间配准点的数量不足、分布严重不均匀以及配准点之间的错配率高这3个 核心问题，提出一种基于自适应特征点检测的可见一红外图像配准方法。方法本文提出的自适应特征点检测方 法，以Harris comer作为基本特征点；以特征点数目与空间分布为检测目标，从而自动地估计合适不同空间位置的 特征点的检测阈值。在特征点对匹配中，将梯度方向与互信息相融合有效地添加了相似性函数的空间位置信息。 结果 自适应Harris comer检测方法能够有效地提供空间分布均匀、数量充足的特征点。而梯度方向与互信息相 融合的相似性匹配函数提高特征点的匹配率20％，降低配准误差50％。结论 本文提出的多传感器图像配准方 法能够快速、准确地实现可见光图像与红外图像之间的配准，在CCD—IR图像融合领域具有很好的实用价值。

包含： 1、武汉科技大学-语音信号的预处理和特征提取技术PDF 2、预处理部分matlab代码

高斯投影java源码介绍 Pandora 是一个用 Java 编写的开源计算机视觉库，并在 MIT 许可下发布。 此存储库中包含源代码和其他实用程序。 本文档仅包含项目结构的简短摘要以及有关如何构建和使用该软件的一些教程。 有关项目、变更日志和问题的更多最新信息，请查看以下链接。 Pandora 作为计算机视觉库可用于任何关注信息检索的项目，尤其是基于内容的图像检索和视觉内容相似性，在这些项目中，您必须解决诸如在给定查询图像和图像数据集的情况下搜索相似图像等问题。 它提供了一组各种功能，例如， 图像特征提取， 随机排列抽样， 聚类单个和多个视觉词汇， 本地描述符上的固定大小向量聚合， 降维， 投影空间分析， 对大图像数据集进行批处理， 它们是使用各种最先进的方法或作为其他开源库（如 、 和 . 在图像特征提取中，它提供了各种全局特征检测器，如 CEDD、Scalable Color、Edge Histogram、Tamura、Color Histogram、HOG、PHOG 以及一些局部特征检测器，如 SURF、Color SURF、SIFT、Dense SIFT、Fast SIFT、

　　载入程序，然后分块写10(刚开始应先少数量划分，先确定 大范围)。起使位置最好写代码段code,或者txt然后程序会把代 码段分成10块，然后从第1块开始恢复，并生成文件。生成完毕 后，用杀毒软件查杀生成文件的目录清除所有带毒文件(如果杀 毒软件是按顺序杀毒的话，可以在杀掉第一个文件的时候就停止 杀毒，此时特征码已经找到)。然后点击[二次处理]程序会自动 记录第几个文件开始查到毒了，那个就是第1个特征码。程序会 把有特征码的地方添0 并记录在右面， 然后把后面的文件分10 块开始从头恢复。这样不断进行(反复使用[二次处理]和杀毒)守 护特征的大范围就找出了并记录在右面。 　　因为分为10块所以每块都比较大，这时候需要进行精确。在 右面点第1个特征码 选择精确此特征码 然后此处就会被写入分 析器里。分块可以写大一点比如100这样多次进行精确特征码的 范围就出来了。 　　关于内存复合特征码定位原理和文件定位是相同的，只是用 程序把生成的文件全部装载到内存中去了，然后用杀毒软件对内 存进行查杀。找到报毒的文件，然后手工删除或者在特征码设置 中手动添加即刻。其余操作和文件定位相同。

它只使用矩阵乘积，并且可以快速计算 GLCM。 在 1.x 版本中只有两个循环。 为了获得更好的遗产，您可以使用可选变量 xFeature 来决定要使用哪个 Haralick 特征。 Haralick的所有功能均取自原始论文。 有关更多信息，请参阅 ( http://haralick.org/journals/TexturalFeatures.pdf )。

传统目标检测模型采用人工设计的目标特征，造成检测精度较差。基于深度学习的目标检测模型具有较高的检测精度，然而针对实时性和精度要求比较高的煤矿救援机器人应用场合，获取的图像信息较少且目标特征不明显，造成目标检测效果较差。为提高目标检测精度和速度，基于YOLO V3模型提出了一种多尺度特征融合的煤矿救援机器人目标检测模型。该模型主要包括特征提取和特征融合2个模块：特征提取模块采用空洞瓶颈和多尺度卷积获得更加丰富的图像特征信息，增强目标特征表达能力，提高了目标分类精度和检测速度；特征融合模块在特征金字塔中引入空间注意力机制，对含有丰富语义信息的高层特征图和含有丰富位置信息的低层特征图进行有效融合，弥补了高层特征图位置信息表达能力不足的缺点，提高了目标定位精度。将该模型部署在煤矿救援机器人嵌入式NVIDIA Jetson TX2平台上进行灾后环境目标检测实验，检测精度为88.73%，检测速度为28帧/s，满足煤矿救援机器人目标检测的实时性和精度需求。

对于低地球轨道（LEO）空间物体的逆合成Kong径雷达（ISAR）成像，检查整个可见弧周期内物体图像平面中的变化可以更直接地表征物体成像中的变化。 在这项研究中，扩展了理想的转盘模型来确定近圆形LEO物体的观测几何形状。 将两个近似值应用于观测模型，以计算近圆形轨道物体的像面法线和观测角。 一种近似方法是在雷达观测期间将空间物体的轨道视为相对于地球的标准弧，另一种方法忽略了地球自转对观测的影响。 首先，基于几何模型确定了各种姿态稳定方法中像平面法线的闭合形式解。 然后，根据雷达视线（LOS）的共同约束条件，分析了像平面的特性和近圆形轨道物体的观察角。 随后，对ISAR成像的像面变化和几何约束进行了量化。 根据像平面的法线，估计雷达LOS的旋转角速度。 然后校准ISAR图像的跨范围方向。 然后基于双站干涉仪重建三维成像。 最后，进行了仿真以验证三维干涉重建的结果并计算重建的精度误差。

一、按输入信号的特征分类 恒值控制系统（恒值调节系统，自动调节系统） 程序控制系统 随动系统（伺服系统） 二、按描述元件的动态方程分类 线性系统 非线性系统 三、按信号的传递是否连续分类 连续系统 离散系统 四、按系统的参数是否随时间而变化分类 定常系统 时变系统 第四节 自动控制系统的分类

第一个代码“vijay_ti_1”将提取图像中每个关键点的 SIFT 关键点和描述符向量。 对于此代码，只需要一张输入图像，在执行完整的 SIFT 算法后，它将生成关键点、关键点位置及其方向和描述符向量。 第二个代码 'vijay_ti_2' 将首先生成原始图像的关键点，然后要求用户选择是否要增加图像强度或减少它或更改 sigma(scale) 的值或是否要旋转图像。 因此，转换后的图像将作为第二张图像并计算其关键点和描述符。在最后一步，此代码将给出这两个图像之间匹配的关键点数及其在命令窗口中的百分比。