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。

此代码资源是我的博文:十五. 单线激光雷达和视觉信息融合,配套的ROS实践功能包. 使用前请确认并修改: 1. 你的单线雷达和相机发布的topic消息; 2.single_ladar_and_camera_fusion.launch为此功能包启动launch; 3.start_lidar_camera.launch为启动我机器上单线激光雷达和相机的launch. 使用时请按你的实际环境进行配置,或者干脆放弃此文件, 用你自己熟悉的方式启动你机器的相机和Lidar节点; 4.start_lidar_camera.launch文件中我还发布了相机和激光雷达的位姿信息(联合标定信息)到ROS的TF. 代码中会用到此数据进行相机到激光雷达的三维坐标系变换. 使用时请确认你的环境也有这样的TF;

北斗导航 基于卡尔曼滤波的IMU+GNSS的组合导航（附Matlab源代码）

Visual-GPS-SLAM This is a repo for my master thesis research about the Fusion of Visual SLAM and GPS. It contains the thesis paper, code and other interesting data. The website that accompanies this research can be found at: Master Thesis The Master Thesis was written in LaTeX and is published here: Video This video shows first tests with the setup running in a car: Publications Three papers have

几种用于可视化的高光谱图像融合方法的比较

数据融合matlab代码来自单个传感器的多光谱多分辨率图像的超分辨率 作者 何塞·比奥卡乌斯·迪亚斯（Jose Bioucas Dias） 版权所有2017：苏黎世联邦理工学院，里斯本大学 变化 0.1第一版。 重要的 如果您使用此软件，则应在任何所得的出版物中引用以下内容： [1] Super-Resolution of Multispectral Multiresolution Images from a Single Sensor C. Lanaras, J. Bioucas-Dias, E. Baltsavias, K. Schindler In CVPRW, Honolulu, USA, July 2017 关于 这是作者对[1]的实现。 该代码在MATLAB中实现： apexSample.mat-模拟为Sentinel-2响应的APEX图像的示例，可在（）获得 ms_fusion_apex.m-执行SupReME的演示脚本 ./functions-所有必要的功能 许可证-代码的GPL许可证 自述文件-此文件 笔记 与真实Sentinel-2图像一样对待不同分辨率通道的共配准

LIO-SAM-DetailedNote LIO-SAM源码详细注释，3D SLAM融合激光、IMU、GPS，因子图优化。 LIO-SAM的代码十分轻量，只有四个cpp文件，很值得读一读呢。 关于LIO-SAM的论文解读，网上已经有很多文章啦，同系列的LOAM、A-LOAM、LEGO-LOAM等，在网上都可以找到相关的解读文章。所以本文旨在对源代码进行阅读学习，积累一些工程上的经验。这里记录下来，希望可以帮到有需要的同学，如有错误的地方，请您批评指正。 :) 如果对您有帮助，帮我点个star呦~ 目录（知乎） 整体流程 代码结构图 因子图 1、激光运动畸变校正。利用当前帧起止时刻之间的IMU数据、IMU里程计数据计算预积分，得到每一时刻的激光点位姿，从而变换到初始时刻激光点坐标系下，实现校正。 2、提取特征。对经过运动畸变校正之后的当前帧激光点云，计算每个点的曲率，进而提取角点、平面点特征

在认知无线电网络中,协作频谱感知技术可有效地缓解本地感知场景中存在的隐藏终端等问题。为了获得更大的协作增益,该文采用基于数据融合的协作频谱感知策略,融合中心依次收集各次用户上报的本地能量检测数据,然后进行线性加权融合,并做出最终判决。重点研究了线性加权融合方案的优化,推导了各次用户分别在Neyman-Pearson(N-P)和Bayesian两种不同准则下的最优融合权重,并在Suzuki感知信道下进行了蒙特卡洛仿真和数值验证。结果表明,N-P准则下给出的两种优化加权融合方案MDC和NDC性能相近,且均比E

3.1 基于线性融合的拼接缝消除算法 3.1.1 直接平均法 该算法简单直观，假设 1 ( , )I x y 为图像 1 在点 ( , )x y 的像素值， 2 ( , )I x y 为图像 2 在位置 ( , )x y 的像素值， ( , )I x y 为融合的结果图像的像素值。则该算法表达式为： 1 1 1 2 1 2 2 2 ( , ) , ( , ) ( , ) ( , ) , 2 ( , ) , I x y x y I I x y I x y I x y x y I I I x y x y I         （3-1） 直接平均法的优点是简单、速度快，其缺点是得到的图像相当容易产生重影以 及会有较为明显的拼接痕迹。 3.1.2 加权线性融合方法 加权线性融合方法是在直接平均法的基础上引入加权函数得到的。假设 1 ( , )I x y 表示图像 1 在点 ( , )x y 处的像素值， 2 ( , )I x y 表示图像 2 在位置 ( , )x y 的像素值， ( , )I x y 表示融合后结果图像的像素值。则该算法可表达为： 1 1 1 1 2 2 1 2 1 2 2 2 ( , ) , ( , ) ( , ) ( , ) ( , ) ( , ) , ( , ) ( , ) ( , ) , I x y x y I w x y I x y w x y I x y I x y x y I I w x y w x y I x y x y I           （3-2） 线性加权融合方法的加权函数有好多种，例如帽子函数、渐入渐出函数等。 帽子加权函数，对于第 i 幅图像，其加权函数 ( , ) i w x y 表达如下： 1 1 ( , ) (1 ) (1 ) 2 2 i i i x y w x y width hight       （3-3） 该加权函数的效果是对图像中心处的像素赋予较高的权值，而对图像边缘地区 的像素赋予较低权值。