搜索资源列表
矩阵所有运算
- 矩阵的转置、行列式、秩，逆矩阵求法，矩阵的三角分解、qr分解，对称正定矩阵的乔里斯基分解及行列式值，奇异值分解，广义逆的奇异值分解，矩阵特征值与特征向量的各种计算方法-all kinds of computational method of transposition of matrix, determinant, rank, inverse of matrix,triangle decomposition, qr decomposition, cholesky decomposition an
InvMat
- 利用矩阵的奇异值分解压缩图像，先将图像分块，对各块中的每个对应象素内积得到相关矩阵A，然后对A进行奇异值分解，选择n（n<N）个较大的特征值对应的特征向量，利用该向量与各块图像内积来压缩和恢复图像-matrix of singular value decomposition image compression, image first block of the block of each pixel corresponding to be associated with the plot
B2193AED
- 一种新的图像脆弱水印算法李亚琴 ，孙星明 ，杨恒伏(1．苏州市职业大学，江苏苏州215104；2．湖南大学计算机与通信学院，湖南长沙410082)摘要：提出一种基于小波变换和QR分解的图像脆弱水即方法。嵌入水印时，首先对原始图像进行三级小波分解，然后提取第三级低频子带的边缘特征，同时对此边缘特征和第三级垂直高频子带进行QR分解，用边缘特征的一部分分解结果替换垂直高频子带分解结果的相应部位来嵌入水即，最后进行小波逆变换得到嵌入水印的图像。图像认证时，首先对观测图像进行三级小波分解，第三级垂直高频子
Ch1799
- 小波工具箱的应用基础 395 16.1 一维小波分析的应用 395 16.1.1 小波分解在普通信号分析中的应用 395 16.1.2 小波变换在信号特征检测中的应用 411 16.2 二维小波分析的应用 417 16.2.1 小波分析在图像平滑中的应用 417 16.2.2 小波分析在图像增强中的应用 418 16.2.3 小波分析在图像融合中的应用 420 16.3 小波包分析的应用 422 16.3.1 小波包在信号时频分析中的应用 423 16.
emd2003
- 用经验模式分解分解出固有模式函数，从而得出瞬时频率和包络，适合进行特征提取-using empirical mode decomposition decomposition patterns inherent function, thereby reaching and instantaneous frequency envelope, suitable for feature extraction
FusionCode1
- 针对多聚焦图像融合，本文首先介绍了小波变换融合算法，虽然小波变换方法无冗余，高频分量损失较小，具有较好的融合效果，但存在两个主要缺点：一是移变性，二是融合图像在重构时会受到一些外来因素的影响，所以仍会丢失一些边缘信息，为了克服小波变换法的以上缺点，可以采用基于小波分解和点扩展函数模型PSF相结合的融合方法。该方法首先对不同的图像进行无降2采样的小波分解，以保持与源图像大小相同，然后分别将其各方向、各尺度的高频分量进行叠加，并依此提取其高频分量的特征信息来判定清晰目标或模糊目标，以此来设计融合算法
music32
- 32阵元的MUSIC算法，基于特征空间分解，内有详细说明，供大家参考。-32 Element MUSIC algorithm, based on the decomposition of space, which is described in detail, for your reference.
Matrix
- 很好用的有关矩阵的各种操作，包括求逆，特征值，特征向量，svd分解等-good part of the matrix of various operations including inverse, eigenvalues, eigenvectors, svd decomposition, etc.
UDT
- 提出了一个新的超声缺陷自动识别系统。该系统采用小波包分解提取超声信号的特征,采用混沌遗传算法来消除冗余和不相关的特征,并采用支持向量机(SVM) 来对缺陷进行识别。
ceshichengxv
- 小波包4级分解及特征向量空间的建立，希望对大家有用
emd
- 我自己编写的基于经验模态分解的特征提取算法，EMD算法是把非平稳信号转化成平稳信号的分量和的一种方法。
image_compress
- 本程序利用奇异值分解对3通道彩色图像进行压缩分解，具体步骤如下： 压缩过程： 1. 选取子图像大小K值，把图像分解成M×M个子图像，IMG(s),s=1,2,…, M2，其中M=N/K，原始图像IMG大小为N×N。 2. 计算这M2个子图像的平均值average，对每幅子图像减去均值图像得到新图像。 3. 计算相关矩阵R，其元素定义为 。 4. 计算R的特征值与特征向量，计算每幅子图像与最大特征向量的内积，便得到编码，即压缩后的图像。
the1
- 在用小波分解加强图像边缘的基础上，利用修正的形态学边缘检测算子，以减 轻图像边缘检测的模糊性；通过形态结：构元素尺度的调整，得到多尺度下图像边缘的 特征，并综合各尺度下的边缘特征，得到较为理想的图像边缘，实验验证了该算法的可 行性和有效性。
NMF_FeatureGet
- 非负矩阵分解技术（Nonnegtive Matrix Factorization 一种信号或图像的特征提取的方法，也可用于图像压缩
Image_Watermarking_Method_Based_On_Multi-resolutio
- 一种基于多分辨率分解的图像水印嵌入方法 【摘 要】：根据小波变换的多分辨率的分析特征，提出了一种基于小波变换的水印嵌入方法，即在嵌入之前对水印做置乱处理，然后根据小波变换后的不同分辨率上的特点，将原始图像和水印进行小波分解，再将相同分辨率层次的数字水印分别嵌入其对应相同分辨率层次的原始图像中，使水印不可感知。试验结果表明，利用该方法较好的保持了图像的质量，并且对常用图像处理方法具有一定的健壮性，是一种行之有效的水印嵌入方法。
emd
- EMD经验模态分解,用于信号处理，常和hilbert-huang变换一起用于信号特征提取、信号消噪等领域。
bp神经网络，小波变化
- 小波变换提取特征信号用bp神经网络进行故障诊断(Bp neural network is used for fault diagnosis of feature signal extracted by wavelet transform)
核主元分析（Kernel principal component analysis ，KPCA）在降维、特征提取以及故障检测中的应用
- 主要功能有： （1）训练数据和测试数据的非线性主元提取（降维、特征提取） （2）SPE和T2统计量及其控制限的计算 （3）故障检测 KPCA的建模过程（故障检测）： （1）获取训练数据（工业过程数据需要进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）特征值分解 （5）特征向量的标准化处理 （6）主元个数的选取 （7）计算非线性主成分（即降维结果或者特征提取结果） （8）SPE和T2统计量的控制限计算
ILFS特征提取
- 无穷维潜在特征选择（ILFS） 潜在特征模型广泛使用于数据的小模块分解的过程。这些模型的贝叶斯非参数变量在潜在特征上使用了IBP先验，使特征的数量由数据决定。本研究提出了一种一般化的IBP——距离依赖IBP，用来建模不可交换数据。这种模型依赖于数据点之间定义的距离，倾向于使相邻近的数据共享更多的特征。距离测度的选择不同可以带来不同的依赖关系。
结合双模多尺度 ＣＮＮ 特征及自适应深度ＫＥＬＭ 的浮选工况识别
- 针对可见光图像特征驱动的浮选工况识别方法的不足，提出一种基于双模态图像多尺度 ＣＮＮ 特征及自适应深度自编码核极限学习机（Ｋｅｒｎｅｌ Ｅｘｔｒｅｍｅ Ｌｅａｒｎｉｎｇ Ｍａｃｈｉｎｅ，ＫＥＬＭ）的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解，设计双通道 ＣＮＮ 网络对双模态多尺度图像进行特征提取及融合，将多个双隐层自编码极限学习机串联成深度学习网络对 ＣＮＮ 特征逐层抽象提取，然后通过核极限学习机映射到更高维空间进行决策，最后改进量子细菌觅食算法并应用于深度自编码