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。

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

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。

业分类-物理装置-一种图像骨架节点特征描述符获取方法及装置.zip

SIFT-SURF-and-FAST-算法 本项目是对不同图像篡改检测算法的比较研究。 比较研究基于在不同标准（例如特征点的数量、特征描述符等）中获得的结果来评估算法的性能。 这些研究是了解算法行为及其对所得结果的影响的重要资源。 我们主要专注于算法 SIFT、SURF 和 FAST。

pcl SHOT特征描述符提取并保存至txt文本，已经提供一个带有法线的pcd数据。

Harris是一种高效的角点检测算法，但不具备尺度不变性。SURF（speeded-up robust features）算法虽然能很好地解决图像尺度变化问题，但是在特征点提取方面没有Harris稳定。针对Harris和SURF两种算法的特点，提出一种新的Harris-SURF特征点提取算法。首先用Harris算法检测图像角点，再用SURF算法提取图像特征点；然后合并角点和特征点，并剔除重复点获得新的特征点集，确定新特征点的主方向并生成特征描述符，再对图像使用比值法进行初匹配；最后利用RANSAC剔除错误匹配点实现精确匹配。实验结果表明，该算法对图像存在旋转、缩放、光照及噪声变化有较强的鲁棒性，同时提高了运行效率。

FAST算法原理：若某像素与其周围邻域内足够多的像素点相差较大，则该点可能是角点。用FAST算法检测角点，代替差分高斯金字塔取极值检测角点的方法，速度块；接着用SIFT特征描述符描述角点，省略尺度空间值，只用原图像中角点邻域的梯度值和方向计算角点主方向，接着计算32个方向向量来描述角点。之和可用于特征点匹配。