本实例是对四种不同的叶子图片自动分类。先将图片进行二值化，然后通过计算Hu不变矩进行，再根据Hu不变矩对叶片进行分类。代码实现简单，结果可靠。
2021-04-13 10:14:48
3KB
1
为了从强烈的背景噪声中提取侧信道信号的特征信息，提出了一种基于经验模式分解（EMD）与奇异值差分谱相结合的信号特征提取方法。该方法首先对原始侧信道信号进行EMD分解，计算各个特征模态函数（IMF）与原始信号的相关系数，找到最大相似特征分量；再对该分量进行奇异值分解求出对应的奇异值差分谱；最后根据差分谱进行重构和消噪，进一步提取分量的特征信息。实验结果表明，该方法可以有效应用于侧信道信号的特征提取，成功提高信号的信噪比和攻击成功率。
2021-04-13 09:18:48
1.21MB
1
该压缩包，是个人通过官方提供的opencv4.1.0源码完成的编译（官方提供的Opencv-release版不含有contrib模块，以及gpu模块）。
2021-04-12 15:04:03
121.85MB
1
用统计方式对灰度图像进行纹理特征提取。构造灰度共生矩阵，通过灰度共生矩阵计算纹理特征。本方式提取四个互不相关的特征，纹理角二阶矩、纹理熵、对比度、均匀性。
2021-04-11 11:06:16
3KB
1
一个用于音频特征提取，分类，分段和应用程序的Python库
此文档包含常规信息。 单击以获取完整的Wiki。 有关音频数据处理的更通用介绍，请阅读
新闻
[2020-09-12]阅读 ，以了解音频特征提取，分类和分段的理论和实践。
中特刊，截止日期：2020年11月30日
[2019-11-19]主要的lib重构。 请在文档中报告任何问题或不一致之处。
出 python脚本，用于实时记录和分析音频数据
[2018-08-12] pyAudioAnalysis现在已移植到Python 3
一般
pyAudioAnalysis是一个Python库，涵盖了广泛的音频分析任务。 通过pyAudio
2021-04-10 20:19:06
74.67MB
1