CXCORR 循环互相关函数估计。 CXCORR(a,b)，其中 a 和 b 表示在时间间隔 T 上采集的样本，该时间间隔 T 被假定为两个相应周期信号的公共周期。 a 和 b 应该是长度为 M 的行向量，无论是实数还是复数。 [x,c]=CXCORR(a,b) 返回长度为 M-1 的循环互相关序列 c 和相应的滞后 x。 循环互相关为： c(k) = sum[a(n)*conj(b(n+k))]/[norm(a)*norm(b)]; 其中向量 b 循环移位 k 个样本。 该函数不检查输入向量 a 和 b 的格式！ 对于 a 和 b 之间的循环协方差，在中查找 CXCOV(a,b) http://www.mathworks.com/matlabcentral/fileexchange/loadAuthor.do?objectType=author&objectId=1093734

人体姿态估计有关的论文-2021年-汇总

经典自适应算法 用LMS算法求最佳权值

电子科技大学信号检测与估计课程教材课后答案

codic算法，可用于计算任意弧度的正弦值 ，余弦值，具备误差估计等功能,计算准确，方便使用，，误差极小，功能也较为强大，写了好久，亲测可用

具有自适应时间特征分辨率的3D CNN CVPR 2021论文的源代码： 。 即将推出！ 敬请关注！ @inproceedings{sgs2021, Author = {Mohsen Fayyaz, Emad Bahrami, Ali Diba, Mehdi Noroozi, Ehsan Adeli, Luc Van Gool, Juergen Gall}, Title = {{3D CNNs with Adaptive Temporal Feature Resolutions}}, Booktitle = {{The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) }}, Year = {2021} }

2021-域自适应-医学图像分析 综述译文

实现自适应中值滤波，边缘问题采用复制边缘像素的方法。

传统的Census+Hamming距离立体匹配算法往往由于将邻域像素等同对待，从而缺少足够的匹配信息，造成较高的误匹配率。对此提出了一种自适用加权的Hamming距离算法，通过引入邻域像素空间距离，使在距离测算时将邻域像素分等级计算，丰富了匹配图像的信息。并且使用梯度图像像素之间的距离作为聚合代价计算的权值，实验证明其对于噪声有一定的抗干扰性，并且能够很好地反映纹理等信息，同时引入稀疏聚合窗口来减少算法的复杂度。最后进行亚像素插值增大匹配的正确性。通过对比试验证明，此算法不仅能够提高匹配的准确性和抗干扰性，还能减少算法的复杂度，适用于实时的立体匹配。

去噪声代码matlab BEADS：具有稀疏性的基线估计和去噪 这是从Matlab转换为Python代码的算法。 请检查Matlab代码和完整的算法。 重定向到@skotaro的用户手册。