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

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

针对心肌梗死（myocardial infarction，MI）12导联高频心电信号（high frequency electrocardiogram，HF-ECG）全局特征聚类问题，提出了一种计算机自动聚类算法。收集MIT-BIH标准心电数据库中的健康心电信号、早期心肌梗死心电信号、急性期心肌梗死心电信号、近期心肌梗死心电信号进行处理。应用二维主分量判别法（two dimensional principal component analysis，2D-PCA）对12导联HF-ECG进行融合特征提取，并应用基于均方差属性加权的遗传模拟退火K-means改进聚类算法。与常规K-means聚类算法相比，特征值更加简单直观，所提算法平均分类精度有较大提高，能对12导联HF-ECG进行更有效的聚类。

hog特征提取matlab代码BacteriaImageProcess 这是为了我们的项目：分割细菌图像并识别该图像中的细菌种类。 从本质上讲，这是对细菌数据的深度学习应用程序。 我们在matlab中实现了卷积RBM，以完成我们的任务。 cdbn-github是使用卷积RBM进行无监督特征学习的代码，我们使用GMM / BMM进行初始化，这可以缩短训练过程。 在特征提取之后，我们利用liblinear工具箱进行监督分类。 我们项目的第一部分在cdbn文件夹中，在其中展开了所有代码，包括我编写的CRBM代码。 编写GMM来初始化第一层，使用BMM来进行第二层的初始化。 （请注意，初始化非常重要，有关更多详细信息，请参阅Sohn等人的论文：“有效学习稀疏，分布式，卷积特征表示以进行对象识别。” Aslo，要训练卷积深度信念网络，您可以进行分层预训练，这意味着首先训练第一层，训练后冻结第一层的参数，然后训练第二层....） 在第二部分中，我们尝试识别此图像中的细菌种类，因此我们手动标记前景斑块，并将其标记为17类，因为一些毗邻的斑块涉及物种和背景，因此我们也将它们考虑在内，因此，共有18个课

YOLOV3：只看一次目标检测模型在Pytorch当中的实现-替换高效网络主干网络 2021年2月8日更新：加入letterbox_image的选项，关闭letterbox_image后网络的地图得到大幅度提升。 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 行动计划0.5：0.95 行动计划0.5 挥发性有机化合物07 + 12 VOC-Test07 416x416 -- 78.9 所需环境 火炬== 1.2.0 文件下载 训练所需的efficiencynet-b2-yolov3的权重可以在百度云下载。链接： ： 提取码：hiuq其他版本的efficiencynet的权重可以将YoloBody（Config，phi = phi，load_weights = False）的load_weights参数设置成True，从而获得。 预测步骤 a，使用预训练权

说到灰度共生矩阵，大家首先想到的问题应该是，灰度共生矩阵是什么，以下主要是从什么是灰度共生矩阵，灰度共生矩阵主要是干嘛的，以及如何利用MATLAB进行代码实现 这三个方面进行讲解。

针对在不同视角下所获得的三维点云数据，提出了一种基于特征提取的点云自动配准算法。算法根据点云在不同半径内的法向量变化度来提取特征点，综合利用点云局部点的三种几何特征搜索匹配点对。通过利用距离约束条件来获取准确匹配点对并计算初始配准参数。精确配准阶段采用改进的迭代最近点(ICP)算法完成二次拼接。实验结果表明，与传统ICP算法相比，该算法在运行时间与精确度上都有着明显的提升。

AI机器学习时序序列特征提取实现分类预测实战，通过心电图分类模型实现分类预测实例介绍了从数据处理、时序特征提取、模型训练和效果评估。验证了对于小数据量，通过tsfresh提取时序特征，往往能够取得很好的效果。资源包括AI机器学习时序序列特征提取实战文档说明、源代码、数据集。

图像检索中颜色的特征提取及匹配算法，以家权欧几里得距离，中心距得加权距离，直方图交集算法等

针对现有人耳特征提取方法主要采用几何形状法和代数法提取,存在偏差较大的问题,提出了一种新的人耳图像特征提取方法,并将其应用到矿工身份识别中。该方法利用三尺度canny算子提取人耳边缘图像,运用凸包算法提取人耳边缘特征点,采用轮廓搜索算法提取人耳外轮廓,在极平面上用外耳轮廓上的点到极点的距离与人耳长轴的比值构成人耳特征向量,解决了几何形状法提取人耳特征偏差大的问题。将用该方法提取的人耳图像特征用于矿工身份识别,正确识别率达96%。