针对序列图像超分辨率重建非局部均值（non-local means，NLM）算法重建结果图像边缘区域过平滑的问题，提出了一种局部参数自适应改进方法。将整幅图像划分为图像子块，然后根据图像子块平均像素信息计算出其对应的滤波参数，这样有助于减少因整幅图像使用统一滤波参数而导致的某些高频信息的丢失。实验结果表明，与经典NLM重构算法相比，改进算法重建出的结果图像的轮廓边缘更清晰，字符辨识度更高；在算法实现方面，图像重构程序在CPU/GPU平台上实现，使用GPU并行化加速的程序比单CPU运算的程序，加速比最高可达

基于局部均值分解和AMUSE算法的欠定模型中盲源分离

提出了一种基于局部特征描述的多模态视网膜图像配准方法，该方法采用圆环结构划分关键点周围区域，通过局部梯度方向直方图构造特征描述子，并对所提取的特征向量进行规范化。实验证明，该算法在多模态视网膜数据集上提高了配准的成功率，相比于经典算法提高了算法的速度和鲁棒性。

此函数可在 2D 表面上查找凹陷。 它的目的是模拟模拟地质表面上液体池的形成（湖泊在洼地中汇集）。 用法： [dMask, dDepths] = findDepressions(heights) 返回凹陷所在位置的逻辑掩码和这些凹陷的深度。

聚类马氏距离代码MATLAB SDCOR 用于大规模数据集中局部离群值检测的可扩展的基于密度的聚类 作者： Sayyed-Ahmad Naghavi-Nozad，Maryam Amir Haeri和Gianluigi Folino 目录 抽象的： 本文提出了一种基于批量密度的聚类方法，用于大规模数据集中的局部离群值检测。 与众所周知的假定所有数据都驻留在内存中的传统算法不同，我们提出的方法具有可伸缩性，并且可以在有限的内存缓冲区范围内逐块处理输入数据。 在第一阶段建立一个临时的聚类模型； 然后，通过分析点的连续内存负载来逐步更新它。 随后，在可伸缩聚类结束时，获得原始聚类的近似结构。 最后，通过对整个数据集的另一次扫描并使用适当的标准，将偏远评分分配给称为SDCOR（基于可伸缩密度的​​聚类离群值比率）的每个对象。 对现实生活和综合数据集的评估表明，与需要将所有数据加载到内存中的最著名的传统基于密度的方法相比，该方法具有较低的线性时间复杂度，并且更加有效。 还有一些基于快速距离的方法，这些方法可以对磁盘中驻留的数据执行操作。 框架： 更详细地，所提出的方法包括三个主要阶段。 在第一阶段

【厂房楼】某五层局部六层工业厂房毕业设计（建筑结构图、计算书等资料）.zip

包含机器学习中的线性回归，包含了最佳拟合线性回顾，局部加权线性回归，岭回归以及前向逐步线性回归等算法的数据集以及代码实现。

Spark-LSH 局部敏感哈希。 主要是的 PySpark 端口。 先决条件 火花 1.2+ Python 2.7+ SciPy 0.15+ NumPy 1.9+ 实施细则 该项目遵循 spark-hash Scala LSH 实现的主要工作流程。 它的核心lsh.py模块接受 RDD 支持的密集 NumPy 数组或 PySpark SparseVectors 列表，并生成一个模型，该模型只是对生成的所有中间 RDD 的包装。 下面将详细介绍每个步骤。 重要的是要注意，虽然这个管道将接受密集或稀疏向量，但来自的原始哈希函数几乎肯定会因密集向量而失败，导致所有向量都被散列到所有波段中。 目前正在开展工作以实现更均匀地分割密集向量的替代哈希函数。 对于稀疏情况，结果与的结果重复。 用法 用法遵循 spark-hash 项目的用法。 参数保持不变。 参数 命令行参数： --bins

正确的视盘(OD)定位和分割是糖尿病视网膜病变自动筛选系统中的两个主要步骤.鉴于此,提出一种基于显著性目标检测和改进局部高斯分布拟合(LGDF)模型的视神经盘分割方法.该方法主要包含两个阶段:第一阶段,将显著性检测技术应用到增强的视网膜图像中实现视盘的自动定位;第二阶段,通过增加椭圆约束信息来改进局部高斯分布拟合(LGDF)模型分割视盘边界.使用公开数据库Diaretdbq对所提出方法的性能进行测试,并与其他先进的方法进行对比,结果验证了所提出方法的优越性和有效性.

提出了一种基于局部特征分析的多聚焦图像融合方法。首先采用二维经验模式分解（BEMD）对不同聚焦图像进行分解，得到多个内蕴模函数（IMF）分量，然后提取出第一个IMF分量的统计信息作为图像融合的依据，对多张不同聚焦的图像进行融合，得到最终的融合图像。实验结果表明，本文提出的均值IMF方案与其他方案相比，具有较高的融合质量和较低的计算复杂度。