搜索资源列表
KDDA
- 核直接线性判别方法（kdda），主要用于人脸识别，模式分类。-nuclear direct linear discriminant method (kdda), mainly used for face recognition, pattern classification.
ImageDIP2
- “区域分割”是采用并行区域分割算法中的阈值化分割算法，阈值的选取方法是迭代阈值选取方法。 “边缘检测”是采用Prewitt边缘检测算子对图像进行边缘检测运算，Prewitt边缘算子的核心是两个3×3的卷积核（corrvolution kernel。
NeonatalFacialExpressionFeatureExtraction
- 利用快速傅立叶变换实现了人脸表情图像的Gabor变换的快速算法 针对不同尺度的Gabor小波特征采用不同的下采样因子来对Gabor变换特征进行第一次降维 利用一种改进的核鉴别分析方法对Gabor特征进行二次特征提取-using fast Fourier transform of Facial Expression Gabor transform the image of the fast algorithm for different foot the Gabor wavelet cha
testMeanShift
- meanshift核方法用于聚类，方法获得了较好的效果，对于初学者有一定的帮助
ImageRegistration.rar
- 基于边缘特征的图像配准算法源码 基于边缘特征的图像配准算法是将不同时间、不同的传感器（成像设备）或不同条件下（天候、照度、摄像位置和角度等）获取的同一场景的两幅或多幅图像根据其边缘特征进行匹配、叠加的处理，最终生成一幅全景图像的方法。该方法具有抗噪性强，匹配速度快，误匹配率低，适用于多种类型的图像等优点，主要可以运用于以下领域： （1）军事研究领域，如飞行器辅助导航系绞、武器投射系统的末制导以及寻地等应用研究； （2）医学图像分析，如数字剪影血管造影DSA血管造影术、肿瘤检测、白内障检测、
1
- 自适应核密度估计运动检测方法 提出一种自适应的核密度(kernel density estimation, KDE)估计运动检测算法. 算法首先提出一种自适应前景、背景阈值的双阈值选择方法, 用于像素分类. 该方法用双阈值能克服用单阈值分类存在的不足, 阈值的选择能自适应进行, 且能适应不同的场景. 在此基础上, 本文提出了基于概率的背景更新模型, 按照像素的概率来更新背景, 并利用帧间差分背景模型和KDE分类结果, 来解决背景更新中的死锁问题, 同时检测背景的突然变化. 实验证明了所提出
KPCA
- 为解决PCA不适合多指标综合分析中非线性主成分分析的问题 ,采用核主成分分析 (kpca)方法 ,对我国不同地区 16种腐乳的品质进行了综合评价。 -PCA is not suitable to address the many indicators of a comprehensive analysis of non-linear principal component analysis of the problem, using Kernel Principal Component An
Kernel Based Deblurring ToolBox ver
- 运用核回归方法去模糊的经典程序，效果很好，有参考文献-using kernel regression for image deblurring,it s very effective
SVM_FACE
- 基于支持向量机的人脸检测训练集增强算法实现。根据支持向量机(support vector machine，简称SVM)~ ，对基于边界的分类算"~(geometric approach)~ 言，类别边界附近的样本通常比其他样本包含有更多的分类信息．基于这一基本思路，以人脸检测问题为例．探讨了 对给定训练样本集进行边界增强的问题，并为此而提出了一种基于支持向量机和改进的非线性精简集算法 IRS(improved reduced set)的训练集边界样本增强算法，用以扩大-91l练集并改
Classifying_Video_with_Kernel_Dynamic_Textures_CVP
- 顶级会议CVPR上发表的基于动态纹理的视频分类的论文，提出了基于核函数的方法，具有很高的参考价值。-Published in top-level meeting CVPR video classification based on dynamic texture paper, presented a method based on kernel function, has high reference value.
7
- 本文提出一种基于核方法的下视等分辨率景象匹配算法. 通过模拟电荷吸引模型, 提出了计算不等维高维数据相似度的SNN 核函数. 将图像中的特征点映射到径向基向量(Radial basis vector, RBV) 空间, 利用SNN 核函数计算两个特征点集的相似度及过渡矩阵. 利用置换测试模块来增强SNN 核的稳定性, 以确保输出解的可靠性. 实验证明, 基于SNN 核的景象匹配算法对图象畸变、噪声干扰与信号缺失具有很强的鲁棒性, 并可保证高精度与高实时性. -This paper prese
learning-with-kernels
- 核学习 这是介绍核方法非常经典的书籍。里面包括各种核方法：kpca，kfda以及贝叶斯核方法-learning with kernels， this book is a classical book about kernel。 really worth of reading。
muti_core-unwrap
- 在多核处理器计算机上实现的多线程INSAR相位解缠，具体解缠方法为最小二乘法。-Multi-core processors to achieve multi-threaded computer INSAR phase unwrapping, unwrapping method for the specific method of least squares.
Seg_By_MeanShift
- 均值漂移Mean Shift算法是一种基于核密度估计的处理方法，被广泛用于图像降噪，分割和目标跟踪中，本代码是图像分割实现。-Mean Shift algorithm is a kernel density estimation based approach is widely used for image noise reduction, segmentation and target tracking, the code is to achieve image segmentation.
nearst-density-estimation
- 1965年LOFTSGARDEN和QUESENBERRY的最近邻密度估计方法，比较适合密度的局部估计，是核米孤独估计的一种-1965 years LOFTSGARDEN and QUESENBERRY the nearest density estimation method, is suitable for the local density estimate, is nuclear m a lonely estimates
kernel-regerrsion-denoise-Examples
- 用核回归方法实现图像去噪是目前理论上最先进的图像去噪方法，这里提供的是图像去噪的matlab代码。-Kernel regression method with denoising is theoretically the most advanced image denoising method, here is the matlab code for image denoising.
HOG
- 为了准确地对监控场景中的运动目标进行语义上的分类， 提出了一种基于聚类的核主成分分析梯度方向直方图和二叉决策树支持向量机的运动目标分类算法．利用背景减法提取运动目标前景区域， 并识别出潜在候选运动目标．利 用提出的基于聚类的核主成分分析的梯度直方图描述子提取候选运动目标的特征， 以较低维数的数据有效地描述运动目标的有效特征． 将提取的运动目标特征输入二叉决策树支持向量机， 实现多类目标的准确分类． 通过在不同视频序列上的实验验证， 提出的算法对运动目标进行较好地分类， 而且在运算速度方面较传
SVM-img-process
- 讲了支持向量机关于分类的方法，利用不同的核函数进行分类。-Talking about the method of support vector machine classification, using different kernel function classification
Clustering-algorithm
- 本文介绍了支持向量机基于核方法的聚类算法及其应用-This paper introduced the support vector machine based on kernel method for clustering algorithm and its application
13FaceRec
- 人脸特征提取与识别matlab程序，主要提取了PCA特征、SVM分类和核方法分类等，代码可以直接使用-Face recognition based on PCA features and Kernel methods, which is used in pattern extraction.