智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

提出一种基于小波变换的像素级CT，MR医学图像融合方法，利用离散小波变换分别将两幅源图像进行多尺度分解，再用不同的小波系数邻域特征指导高频分量和低频分量的小波系数的融合，低频分量采用邻域方差指导，高频分量采用邻域能量指导，最后根据融合图像的各小波系数重构融合图像。实验表明：不论从主观感受，还是采用信息熵和平均梯度两项指标作为客观定量评价标准，该方法都优于传统的融合方法，获得的融合图像有效地综合了CT与MR图像信息，能够同时清晰地显示脑部骨组织和软组织。

Deep KSVD Denoising——融合KSVD传统算法和深度学习的去噪算法实现，使用pytorch（拥有详细的代码注释）

TDOAAOA_融合_TDOAAOA_最小二乘_TDOA,AOA融合方法_TDOAAOA融合.zip

中国科学院遥感图像数字处理遥感影像镶嵌融合

加权平均法图像融合算法的原理就是：对原图像的像素值直接取相同的权值，然后进行加权平均得到融合图像的像素值，举例说比如要融合两幅图像A，B，那它们的融合后图像的像素值就是A*50%+B*50%，就这么简单。

融合集中在数据的特征级融合，但是在手动提取特征的过程中，将会不可避免的产生由于人工而产生的误差，使得特征的计算和选择可能不具有代表性。数据层融合，对传感器采集到的原始数进行直接融合，优点是保留了原始信息，信息损失量很少，但是存在只能对同一类型数据进行融合，且计算量较的问题。

数据融合matlab代码pytorch中的HED 这项工作是论文的一个执行。 表现 输入图像 dsn1 dsn2 dsn3 dsn4 dsn5 融合输出（dsn6） 在BSDS500上 方法 ODS（融合/合并） OIS（融合/合并） AP（融合/合并） 我们的实施 0.78731 / 0.78280 0.80623 / 0.80356 0.78632 / 0.83851 原始纸 0.782 / 0.782 0.802 / 0.804 0.787 / 0.833 如本文所述，Fusion表示融合输出（dsn6），Merged表示融合层和侧面输出相结合的结果。 怎么跑 先决条件： 火炬> = 0.3.1 张量板 培训/测试 尾码/数据结构 $ROOT - ckpt # save checking points - data # contains BSDS500 - matlab_code # test code - pytorch-HED # current repo 要准备数据，请参阅“培训HED”部分中的内容。 为了训练 python submit.py 在./config中创建您的

数据融合matlab代码BIMEF 我们的论文“用于弱光图像增强的受生物启发的多重曝光融合框架”的代码 还提供了比较方法的代码，请参见 下载：（只需将数据解压缩到当前文件夹） 数据集VV, LIME, NPE, NPE-ex1, NPE-ex2, NPE-ex3, DICM, MEF 由于某些方法非常耗时，因此我们还提供了它们的结果（例如， results__dong@VV.zip ） 由于某些指标非常耗时，因此我们还提供了它们的结果（ TestReport.zip ） 通过运行experiments.m可以轻松复制所有experiments.m 从左到右：输入图像，MSRCR，Dong，NPE，LIME，MF，SRIE和BIMEF（我们的）的结果。 数据集 （**增强图像增强和色调映射算法：**最具挑战性的案例的集合） DICM-从商用数码相机拍摄的69张图像： 先决条件 原始代码在Matlab 2016b 64位Windows 10上进行了测试 是运行VIF指标（ vif.m ）所必需的。 设置 运行startup.m添加所需的路径，然后您可以尝试以下演示。 I = imread(

在室内定位过程中，针对行人航迹推算（PDR,pedestrian dead reckoning）算法中惯性传感器的累积误差随时间增大的问题，提出一种基于智能手机的声波测距与PDR融合的室内定位方法。首先，利用PDR进行位置推算，然后，利用声波测量手机与墙之间的距离，结合已知的室内地图信息，对 PDR 中的累积误差进行纠正。在不需要布置任何节点的条件下，实现长时间稳定的室内定位。为解决长距离条件下墙体反射的回波信号难以检测的问题，利用智能手机内置双麦克风的特点，采用波束成形的方法，对目标墙体反射的回波进行信号增强，增大了声波测距的有效测量距离，从而扩大了所提定位方法的应用范围。实验结果表明，所提融合定位方法的平均定位误差为0.427 m，与单独使用PDR的定位结果相比，平均定位误差降低了2.748 m。