信号处理+线性扫频信号生成Matlab代码

数值分析方法-牛顿迭代法MATLAB代码

矩阵计算/矩阵论-givens分解MATLAB代码

十进制小数转二进制matlab代码图像隐写术 隐写术 它是一种将数字数据（例如音频/图像/视频）隐藏在普通的简单非保密文件（例如音频/图像/视频）中的技术。 详细了解隐写术。 关于该项目 这是使用LSB （最低有效位）技术进行图像隐写术的简单实现。 使用MATLAB实现。 该项目包括两个实现： ：将一个图像隐藏在另一个图像中。 ：在图像中隐藏纯文本。 目录 img2img 斯蒂格诺 解密 前景色.png message.png txt2img 斯蒂格诺 解密 b2d.m d2b.m get_char.m put_to_img.m cover.png 文件描述 img2img / ：运行此文件可将图像隐藏到另一个文件中。 确保前景和背景图像相同的尺寸（foreground.png和message.png增加供参考）。 该文件生成一个新的图像文件作为输出。 ：运行此文件以从stegano.m生成的图像中获取隐藏图像。 txt2img / ：运行此文件以将纯文本隐藏到图像中（添加cover.png以供参考）。 该文件生成一个新的图像文件作为输出。 ：运行此文件以从stegano.m生成的图像

层次分析matlab代码基于分层分割的协同显着检测 1此代码适用于论文：** [1] Z. Liu，W。Zou，L。Li，L。Shen和O. Le Meur，“基于分层分段的共显着性检测”，IEEE信号处理。 Lett。，第一卷21号1，第88-92页，2014年1月。只能用于非商业目的。 如果您使用我们的代码，请引用论文[1]。 2此代码需要[2] P. Arbelaez，M。Maire，C。Fowlkes，J。Malik，“轮廓检测和分层图像分割”，IEEE模式分析和机器智能交易，第1卷。 33，不。 ，第5卷，第898-916页，2011年5月。[2]的源代码包含在“ lib”文件夹中，也可以从以下位置下载 3运行代码我们已经在ubuntu 12.04下测试了此代码。 在MATLAB中运行Demo.m，您将看到一个示例。

Matlab代码金字塔PyTorch LapSRN CVPR2017论文在PyTorch中的实现：“用于快速而准确的超高分辨率的深拉普拉斯金字塔网络”（） 用法 训练 usage: main.py [-h] [--batchSize BATCHSIZE] [--nEpochs NEPOCHS] [--lr LR] [--step STEP] [--cuda] [--resume RESUME] [--start-epoch START_EPOCH] [--threads THREADS] [--momentum MOMENTUM] [--weight-decay WEIGHT_DECAY] [--pretrained PRETRAINED] PyTorch LapSRN optional arguments: -h, --help show this help message and exit --batchSize BATCHSIZE training batch size --nEpochs NEPOCHS number of epochs to train for --lr LR

文件夹内包含Armjio求步长代码以及一个函数文件、梯度函数文件和求解文件，代码注释完整，代码已公开在博客内：https://zqfeng.blog.csdn.net/article/details/117550614

均值漂移聚类matlab代码使用从卷积自动编码器中学到的功能进行无监督图像分割 通过训练深度卷积自动编码器，已经从图像中学到了一些有用的功能。 我们使用PCA进行了特征变换。 最后，采用均值漂移聚类算法以无监督的方式对图像进行分割。 EDISON分割：基于EDISON工具箱的图像分割 均值漂移马替代方案：Weizmann马数据集下均值漂移聚类的替代试验 Training BSDS500 ：BSDS 500数据集下的培训网络代码 训练马：Weizmann马数据集下的训练网络代码 可视化PCA功能：可视化PCA转换后的功能 替补：计算图像分割的BSDS测试分数 EDISON matlab接口：用于均值漂移聚类的matlab包装器

矩阵论 Householder变换 Matlab代码实现

matlab代码中的rir 使用非常深的残差通道注意网络的图像超分辨率 这个存储库是为下面论文中介绍的RCAN 、 、 、 、 、 和，“使用非常深的残差通道注意力网络的图像超分辨率”，ECCV 2018， 该代码基于 Ubuntu 14.04/16.04 环境（Python3.6、PyTorch_0.4.0、CUDA8.0、cuDNN5.1）和 Titan X/1080Ti/Xp GPU 构建和测试。 RCAN 模型也已合并到 . 内容 介绍 卷积神经网络 (CNN) 深度对于图像超分辨率 (SR) 至关重要。 然而，我们观察到图像 SR 的更深网络更难训练。 低分辨率的输入和特征包含丰富的低频信息，这些信息在通道间被平等对待，因此阻碍了 CNN 的表示能力。 为了解决这些问题，我们提出了非常深的残差通道注意网络（RCAN）。 具体来说，我们提出了残差中的残差（RIR）结构来形成非常深的网络，该网络由几个具有长跳跃连接的残差组组成。 每个残差组包含一些具有短跳跃连接的残差块。 同时，RIR 允许通过多个跳过连接绕过丰富的低频信息，使主网络专注于学习高频信息。 此外，我们提出了一种通道