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。

车载毫米波雷达障碍物检测系统设计.caj

提出一种红外图像与可见光的图像融合方法。硬件光学成像系统采用共轴光路，使用拉普拉斯金字塔变换方法对采集到的红外图像与可见光图像进行融合，并使用融合后图像与红外图像相结合在YUV通道中进行信息融合伪彩色化。实验结果表明，所提出的红外图像与可见光图像的融合方法能够显著增强图像信息，突出图像中的特定目标，且对于各种外界环境条件都能得到较好的融合结果。

可以作为图像融合的数据集，包括可见光，近红外，中波红外，长波红外等。主要场景包括人、车、坦克等，场景较为丰富。

为实现在无法接收到卫星信号的复杂室内环境下行人精确定位与导航,提出一种多源信息融合的室内定位方法,通过融合智能手机中方向传感器数据进行室内行人航位推算(PDR),采集室内环境中的WiFi与蓝牙信号信息进行信号强度匹配及修正PDR累计误差;针对室内复杂环境下WiFi指纹定位精度低的情况,提出一种将随机森林(RF)分类与改进的K最近邻(KNN)算法相结合的WiFi指纹定位算法,降低计算复杂度,提高定位精度;在改进的WiFi指纹定位算法及多源信息融合分析的基础上,提出使用粒子滤波及地图约束的方法,进一步提高定位精度。实验结果表明:结合粒子滤波及地图约束的多源信息融合定位结果方法估计的路径与真实路径最

保守值法matlab代码统计与感知特征融合的无参考图像质量评估 无参考图像质量评估（NR-IQA）的目标是预测人类观察者感知的图像质量，而无需使用任何原始的参考图像。 在这项研究中，提出了一种NR-IQA算法，该算法由包含统计和感知特征的新颖特征向量驱动。 与其他方法不同，将小波域和空间域中的归一化局部分形维数分布和归一化第一数字分布合并到统计特征中。 此外，强大的感知特征，例如色彩，暗通道特征，熵和相位一致性图像的均值，也被合并到所提出的模型中。 在五个大型的公共可用数据库（KADID-10k，ESPL-LIVE HDR，CSIQ，TID2013和TID2008）上的实验结果表明，该方法能够胜过其他最新方法。 如果您使用此MATLAB代码，请引用以下论文： @article {varga2020no， title = {基于统计和感知特征融合的无参考图像质量评估}， author = {Varga，Domonkos}， journal = {影像学杂志}， 音量= {6}， 数字= {8}， 页数= {75}， 年= {2020}， 发布者= {多学科数字出版学院} } 该代码是在M

瑞典大学的关于惯导，视觉，超宽带以及gps融合的书，线下很火的应用

图像融合的非负矩阵分解算法，讲的很详细，适合学一下，如果做图像的话