算法思想:如果一个像素与它邻域的像素差别较大(过亮或过暗) , 那它更可能是角点. 算法步骤: 1.上图所示,一个以像素p为中心,半径为3的圆上,有16个像素点(p1.p2.....p16). 2.定义一个阈值.计算p1.p9与中心p的像素差,若它们绝对值都小于阈值,则p点不可能是特征点,直接pass掉:否则,当做候选点,有待进一步考察: 3.若p是候选点,则计算p1.p9.p5.p13与中心p的像素差,若它们的绝对值有至少3个超过阈值,则当做候选点,再进行下一步考察:否则,直接pass掉: 4

原文地址:http://docs.opencv.org/trunk/doc/py_tutorials/py_feature2d/py_fast/py_fast.html#fast-algorithm-for-corner-detection 目标 理解FAST算法的基本原理 使用OpenCV的FAST函数进行角点(corners)检测 原理 我们已知很多种特征检测的方法,而且它们其中很多效果都非常不错.但是,当从一个实时运行的程序角度出发,它们还不够快.一个最好的例子就是SLAM(Simulta

标准差分进化算法matlab程序实现 自适应差分演化算法方面的Matlab和C++代码及论文 差分进化算法 DE-Differential Evolution matlab练习程序(差异演化DE) [DE算法]差分进化算法原理及matlab代码 差分进化算法 CEC2017 benchmark function调用接口 王勇:http://ist.csu.edu.cn/YongWang.htm   http://www.escience.cn/people/yongwang1/index.htm

官方链接:http://docs.opencv.org/trunk/doc/py_tutorials/py_feature2d/py_fast/py_fast.html#fast-algorithm-for-corner-detection 原文链接:http://blog.csdn.net/candycat1992/article/details/22285979 本文做了少量修改,并添加了C++代码,若有疑问或者版权问题,请拜读作者或者通知本人. 目标 理解FAST算法的基本原理 使用Ope

密度峰值聚类算法MATLAB程序 凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/ 密度峰值聚类算法简介见:[转] 密度峰值聚类算法(DPC) 数据见:MATLAB中“fitgmdist”的用法及其GMM聚类算法,保存为gauss_data.txt文件,数据最后一列是类标签. 1. MATLAB程序 clear all close all %% 从文件中读取数据 data_load=dlmread('gauss_data.txt'); [num,dim]=

以优化SVM算法的参数c和g为例,对GWO算法MATLAB源码进行了逐行中文注解. tic % 计时器 %% 清空环境变量 close all clear clc format compact %% 数据提取 % 载入测试数据wine,其中包含的数据为classnumber = 3,wine:178*13的矩阵,wine_labes:178*1的列向量 load wine.mat % 选定训练集和测试集 % 将第一类的1-30,第二类的60-95,第三类的131-153做为训练集 train_w

Alpha图形叠加算法Matlab+Verilog实现 1.1. Alpha算法的研究 Alpha通道是一个8位的灰度通道,该通道用256级灰度来记录图像中的透明度信息,定义透明.不透明和半透明区域,其中黑表示全透明,白表示不透明,灰表示半透明[15]. 半透明混合算法目前在常用到的算法是AlphaBlend.其算法如下:假设一幅图象是A,另一幅透明的图象是B,那么透过B去看A,看上去的图象C就是B和A的混合图象,设B图象的透明度为alpha(取值为0-1,1为完全透明,0为完全不透明).Alp

目标 在本章中, 我们将了解FAST算法的基础知识. 我们将使用OpenCV功能对FAST算法进行探索. 理论 我们看到了几个特征检测器,其中很多真的很棒.但是,从实时应用程序的角度来看,它们不够快.最好的例子是计算资源有限的SLAM(同时定位和制图)移动机器人 作为对此的解决方案,Edward Rosten和Tom Drummond在2006年的论文"用于高速拐角检测的机器学习"中提出了FAST(加速分段测试的特征)算法(后来在2010年对其进行了修订).该算法的基本内容如下.有关更

本科毕设做的是医学CT图像特征提取方法研究,主要是肺部CT图像的特征提取.由于医学图像基本为灰度图像,因此我将特征主要分为三类:纹理特征,形态特征以及代数特征,每种特征都有对应的算法进行特征提取. 如上图所示,三类特征都有对应方法进行特征提取,在毕设中,利用matlab编程实现了三类算法,并且利用matlab的GUI做出了一个简单的界面系统,用于特征提取.

大家好,我是小鸭酱,博客地址为:http://www.cnblogs.com/xiaoyajiang 以下用matlab实现蚁群算法:   %蚂蚁算法test   %用产生的一个圆上的十个点来检验蚂蚁算法   clc clear   %参数 alpha = 1 ;                               %信息素指数 beta = 5  ;                                %启发指数 rho = 0.5 ;                    

弗洛伊德(Floyd)算法是一种用于寻找给定的加权图中顶点间最短路径的算法.该算法名称以创始人之一.1978年图灵奖获得者.斯坦福大学计算机科学系教授罗伯特·弗洛伊德命名. 基本思想 通过Floyd计算图G=(V,E)中各个顶点的最短路径时,需要引入一个矩阵S,矩阵S中的元素a[i][j]表示顶点i(第i个顶点)到顶点j(第j个顶点)的距离. 假设图G中顶点个数为N,则需要对矩阵S进行N次更新.初始时,矩阵S中顶点a[i][j]的距离为顶点i到顶点j的权值:如果i和j不相邻,则a[i][j]=∞

迪杰斯特拉(Dijkstra)算法是典型最短路径算法,用于计算一个节点到其他节点的最短路径. 它的主要特点是以起始点为中心向外层层扩展(广度优先搜索思想),直到扩展到终点为止. 基本思想 通过Dijkstra计算图G中的最短路径时,需要指定起点s(即从顶点s开始计算). 此外,引进两个集合S和U.S的作用是记录已求出最短路径的顶点(以及相应的最短路径长度),而U则是记录还未求出最短路径的顶点(以及该顶点到起点s的距离). 初始时,S中只有起点s:U中是除s之外的顶点,并且U中顶点的路径是"起点s

上一篇博客写了k-means聚类算法和改进的k-means算法.这篇博客就贴出相应的MATLAB和C++代码. 下面是MATLAB代码,实现用k-means进行切割: %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 功能:实现怎样利用Kmeans聚类实现图像的切割. 时间:2015-07 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function kmeans_segmentation() clear;c

看完CSDN上结构之法,算法之道的支持向量机通俗导论(理解SVM的三层境界) http://blog.csdn.net/v_july_v/article/details/7624837     参考了台湾的林智仁教授写了一个封装SVM算法的libsvm库,下载地址: http://www.csie.ntu.edu.tw/~cjlin/libsvm/,此外下载了一份libsvm的注释文档,下载地址: http://www.pami.sjtu.edu.cn/people/gpliu/document

作为角点检测的一种快速方法,FastCornerDetect算法比Harris方法.SIft方法都要快一些,应用于实时性要求较高的场合,可以直接应用于SLAM的随机匹配过程.算法来源于2006年的Edward Rosten 和 Tom Drummond的论文"Machine learning for high-speed corner detection",并在(在2010年再次被修订)新版本中再次被提出. 方法的官方网站:http://www.edwardrosten.com/wor

目录 背景 AES加密的几种模式 基本运算 AES加密原理 Matlab实现 Verilog实现 Testbench 此本文首发于公众号[两猿社],重点讲述了AES加密算法的加密模式和原理,用MATLAB和Verilog进行加解密的实现. 美剧<硅谷>第六季居然已经完结了!小猿追了6年的剧就这么结束了,然而结局感觉并不那么喜剧.比尔·盖茨和Twitter前CEO也在最后一集本色出演了. <硅谷>每一季的内容都紧跟当时科技前沿,最后一季也不例外,焦点聚集于信息安全.经过Richard

龙贝格算法主要是不断递推和加速,直到满足精度要求 递推: 加速: 得到T表: MATLAB代码: function I = Romberg(f, a, b, epsilon) I = 0; h = b-a; k = 0; m = 0; T = zeros(5); %下标转换:T^(k)_0 => T(k+1,1) T(1,1) = h/2 * (subs(f,a) + subs(f,b));%即T^(0)_0 delta = 2*epsilon; while delta > epsilon k

在各种伪距定位算法中,最小二乘法是一种比较简单而广泛的方法,该算法可以分为以下几步: 1.准备数据与设置初始值 这里准备数据,主要是对于各颗可见卫星,收集到它们在同一时刻的伪距测量值,计算测量值的各项偏差.误差成分的校正量,然后计算出误差校正后的伪距测量值,这里假设伪距为理想距离加上随机高斯误差.设置初始值,假设大概知道位置坐标,则设定其为初始值,也可根据上一次定位结果设定:若什么都不了解,那么初值设置为0,只不过多几次迭代过程罢了. 2.非线性方程组线性化(不详细解释,就是得到雅克比矩阵).

下面是解放军信息project大学一个老师编的matlab程序,请尊重原作者劳动,引用时请注明出处. 我经过改动添加了凝视,已经执行过,无误, function [R_best,L_best,L_ave,Shortest_Route,Shortest_Length]=ACATSP(C,NC_max,m,Alpha,Beta,Rho,Q) %%------------------------------------------------------------------------- %% 主

% 仿真4比特原始数据与星座图的编码映射过程: % 完成16QAM信号的调制解调: % 基带信号符号速率 ps ＝1Mbps: % 成形滤波器的滚降因子 a=0.8: % 载波信号频率fc=2MHz : % 采样频率 Fs=8MHz : % 绘制16QAM信号的频谱及时域波形: % 采用相干解调法仿真其解调过程: % 绘制解调前后的基带信号时域波形: % 将原始基带数据.QAM已调数据.滤波器系数写入相应的文本文件中. clc; close all; ps=1*10^6; %码速率为1MHz a

国内博客,上介绍实现的K-medodis方法为: 与K-means算法类似.只是距离选择与聚类中心选择不同. 距离为曼哈顿距离 聚类中心选择为:依次把一个聚类中的每一个点当作当前类的聚类中心,求出代价值最小的点当作当前聚类中心. 维基百科上,实现的方法为PAM算法. 分成K类,把每个点都尝试当作聚类中心,并求出当前组合聚类中心点组合的代价值.找到总最小代价值的中心点. 国内实现: kMedoids.m代码: function [cx,cost] = kMedoids(K,data,num) %