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

4.1 亚像素定位原理和算法设计原则 4.1.1 亚像素定位基本原理 对图像中目标进行定位是摄像测量和光测数字图像分析中 基本和 重要的任务之 一。对目标进行定位通常要经过两个步骤：目标的粗定位和精定位。目标粗定位也就是 目标识别，是指在某一特定的图像范围内确认是否有待测目标存在，并确认待测目标在 某一特定的区域内。现已有大量的目标识别方面的算法，特别是在计算机视觉和模式识 别领域有大量相关的工作，因此在目标的粗定位应用中可以直接参考借鉴这些算法。本 书不对目标识别的工作做深入的介绍，而将重点放在精定位，即亚像素定位技术上。 许多人在一开始接触亚像素定位技术时，常有一个基本反应，即像素是组成图像的

装配机械手定位如利用传统的视觉图像匹配方法定位速度较慢、定位精度较低且处理速度较慢,随着装配机械手的广泛应用和其较高的工程价值提高装配机械手的定位速度和精度的需求迫切,采用细分像素的亚像素匹配技术对传统图像匹配算法进行了改进,并利用实验对改进结果进行验证,达到了较理想的效果。

可以实现亚像素边缘检测，使边缘检测精度达到亚像素级别。

提出一种快速高精度Fourier-Mellin变换图像配准方法，可提高高光谱成像过程中光谱复原的速度与精度。该方法运用两次局部上采样相位相关法，一次在对数极坐标域中估计旋转和缩放参数，另一次在笛卡尔坐标系中估计平移参数。引入梯度预处理过程，使算法更加稳健。介绍了Fourier-Mellin变换的原理，该变换可实现旋转和缩放参数的解耦合。在传统相位相关法的基础上介绍了局部上采样相位相关法。证明了梯度预处理过程的必要性。仿真结果表明，所提方法可以实现高精度的图像配准。

可通过改变代码中图片的输入路径，输入任意图片，并读取出图片上任意点的亚像素级坐标。 可通过改变代码中图片的输入路径，输入任意图片，并读取出图片上任意点的亚像素级坐标。

这是Elsevier发表于《Accurate Subpixel Edge Location Based on Partial Area Effect》一文中详述的亚像素边缘检测方法的Matlab源码http://www.sciencedirect.com/science/article/pii/S0262885612001850 主文件夹包含以下文件： - subpixelEdges 是检测方法。 输入“help subpixelEdges”了解更多信息- visEdges 是在图像上显示检测到的边缘的方法- subpixelImage 使用检测到的边缘创建高分辨率二进制图像-subsetEdges 提取满足条件的边子集- 示例 1 是将方法与合成图像一起使用的示例- 示例 2 类似，但使用真实图像- 示例 3 使用手机摄像头拍摄的打印文本的大图像-example4为示例1创建高分辨率二进

在亚像素级别，求取物体的边缘信息，提高物体的定位精度。

自己编写的matlab程序 实现数字图像的模板匹配和相关算法，以及亚像素算法 压缩包中含源程序，实例图片和模板，以及模板生成算法。 使用方法： 1、设定路径 2、打开threshold，F5 有问题欢迎提问。

matlab程序，通过高斯法，重心法，中心法，hessian矩阵法实现亚像素光斑中心提取，同时可实现多光斑的亚像素中心提取。程序做了大量批注 文件中包含程序源码以及实验图片，