以曲率图作为三维点云数据的特征描述函数，并运用曲率图实现了三维点云数据的配准．对于含有噪声的点云数据，先根据每个点的邻域特性估算其曲率值，然后根据每个点及其周围邻域点的曲率值构造该点的曲率图．通过在多比例空间下曲率图的特征保持分析，可提取到最能反映该点云数据特征的特征点集．对于两两配准，这些特征点集被用于三维点云数据的粗略配准算法中，该算法利用点云内部空间点相对位置在刚性变换下的不变特性实现了特征点对的匹配，由匹配的特征点对进行坐标变换求解，完成了两三维点云的粗略配准，然后运用迭代最近点算法进行精确配准．最后将整个配准算法应用于真实的三维点云数据，结果表明该算法能有效抑制点云采样密度及噪声的影响，能够快速实现点云数据的精确配准．

提出了一种基于局部特征描述的多模态视网膜图像配准方法，该方法采用圆环结构划分关键点周围区域，通过局部梯度方向直方图构造特征描述子，并对所提取的特征向量进行规范化。实验证明，该算法在多模态视网膜数据集上提高了配准的成功率，相比于经典算法提高了算法的速度和鲁棒性。

HOG功能描述符的实现 定向梯度直方图（HOG）描述符的简单实现。 脚步 从灰度图像获取差分图像。 计算梯度。 建立所有单元格的定向梯度直方图。 从单元格构建归一化的块描述符。 依存关系 脾气暴躁的 matplotlib OpenCV 3.4.2（用于图像加载） 致谢 可视化代码来自UMN Fall 2019 CSCI 5561课程材料。

ORB特征描述符，基于python源码实现，基于opencv库实现

视频讲解：http://www.bilibili996.com/Course?id=2950814000235

superpoint源码|含有部分数据集（coco、hpatches）

更新新闻！！！ iLearnPlus - iFeature和iLearn的更新版本现已发布！ （2021-02-28） iLearnPlus是第一个同时具有基于图形和基于Web的用户界面的机器学习平台，该平台可以构建自动机器学习管道，以使用核酸和蛋白质序列进行计算分析和预测。 iLearnPlus集成了21种机器学习算法（包括12种常规分类算法，2种整体学习框架和7种深度学习方法）和19种主要序列编码方案（总共147个特征描述符），数量超过了所有当前的Web服务器和独立服务器据我们所知，用于生物序列分析的工具。 此外，生物学家还可以使用iLearnPlus友好的GUI（图形用户界面）来顺利进行分析，与现有管道相比，显着提高了有效性和用户体验。 iLearnPlus是一个用于学术目的的开源平台，可从。 可从在线访问iLearnPlus-Basic模块。 iLearnPlus-基本模块界面：

人脸图像特征提取matlab代码LESH（基于局部能量的形状直方图）特征提取 用法： lesh_vect = calc_LESH（im）; 输入： im =图片或本地补丁 输出： lesh_vect = LESH特征向量（图像/补丁的16个分区为128维，而64个分区为512维。（请参阅FeatureParam.m） 适用于任何大小（最好是正方形）的图像或补丁。 对于大小大于64x64的图像，建议的分区大小w为8（512像素矢量）。 在大小为32x32的补丁中，分区大小应更改为4（以产生128个暗淡矢量） 有许多参数可以针对不同的应用进行调整。 可以对FeatureParam.m文件进行修改以更改例如GABOR过滤器的比例数和方向。 可以更改部分大小以产生更长的向量，反之亦然，更多的粗糙部分或更多的精细部分可能会影响特征向量的区分质量。 推荐的设置为8x8（64）分区大小（512维矢量），并为GABOR滤波器组设置5个比例和8个方向。 请注意： 此更新的优化版本不包括本文所述的高斯加权。 通过当前的优化，我们发现它对一般形状的描述效果更好。 致谢：该代码使用了Peter kovesi

提出用若干数字特征描述方法提取高光谱曲线特征，将曲线相似性判断转化为数字特征识别,达到像元相似性识别的目的，进而实现高光谱图像分割。提取的高光谱曲线数字特征包括：大于均值的(极大值)波峰数、大于均值的(极小值)波谷数、小于均值的(极大值)波峰数、小于均值的(极小值)波谷数、上升趋势点数、下降趋势点数、(极大值)波峰位置和(极小值)波谷位置。高光谱曲线数字特征刻画光谱曲线形态，反映像元之间的差异，大大降低后续处理计算量，提高效率，实验验证了方法的有效性。

我们提出了一种新的数据驱动算法，用可重用的时空流数据仓库合成高分辨率的流模拟。在我们的工作中，我们采用描述符学习方法来编码分辨率和数值粘度不同的uid区域之间的相似性。我们使用卷积神经网络从流体数据（如烟密度和流速）生成描述符。同时，我们提出了一种变形限制面片平流方法，它允许我们稳健地跟踪可变形的uid区域。在这个补丁平流的帮助下，我们从存储库的详细UID生成稳定的时空数据集。 然后，在运行新的模拟时，我们可以使用学习到的描述符快速定位合适的数据集。这使得我们的方法非常有效，并且与分辨率无关。我们将通过几个例子来证明，我们的方法产生的体积具有非常高的有效分辨率，以及非耗散的小尺度细节，这些细节自然地融入了底层水流的运动中。