CDN加速镜像 | 设为首页 | 加入收藏夹
当前位置: 首页 资源下载 搜索资源 - 图像模式识别

搜索资源列表

  1. 25292626

    0下载:
  2. 为了实现复杂环境下的人脸特征有效表达,提出一种改进的梯度方向直方图(HOG)人脸识别方法.首先以人脸图像网格作为采样窗口并在其上提取 HOG特征;然后将所有网格 HOG特征向量进行组合,实现整个人脸特 征表达;最后采用最近邻分类器进行识别.另外,比较了该方法与Gabor小波和局部二值模式(LBP)2种著名的人脸 局部特征表示方法的优劣.实验结果表明,在调优的 HOG参数下,在具有光照和时间环境等复杂变化的FERET人 脸库中,较少维数的 HOG特征比LBP特征有更好的表现,而且 HO
  3. 所属分类:Project Design

    • 发布日期:2017-05-07
    • 文件大小:1274996
    • 提供者:wang
  1. android_ocr

    1下载:
  2. OCR (Optical Character Recognition,光学字符识别)是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,通过检测暗、亮的模式确定其形状,然后用字符识别方法将形状翻译成计算机文字的过程;即,针对印刷体字符,采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件,并通过识别软件将图像中的文字转换成文本格式,供文字处理软件进一步编辑加工的技术。如何除错或利用辅助信息提高识别正确率,是OCR最重要的课题,ICR(Intelligent Character Reco
  3. 所属分类:android

    • 发布日期:2016-02-26
    • 文件大小:29406208
    • 提供者:Addsoup
  1. stprtool

    0下载:
  2. 模式识别的matlab程序,神经网络进行图像识别和处理,非常基础程序。-Pattern recognition matlab procedures, neural networks for image recognition and processing, very basic procedures.
  3. 所属分类:Other systems

    • 发布日期:2017-05-20
    • 文件大小:5551130
    • 提供者:刘永超
  1. lianliankan_v1.0

    0下载:
  2. 源码描述 这是一款比较经典的连连看游戏源码,规则比较简单,将相同的两张牌用三根以内的直线连在一起就可以消除, 全部消除完成即为胜利。整个源码还算完整,所有的图片和音效文件都在Images和Sounds目录下面并且游戏启动 时会有相应的加载动画,并且点击相同的图像以后还会有一个爆炸消除的效果,感兴趣的朋友可以下载试玩下哦。 二、玩法介绍 该源码主要通过鼠标点击图标,在规定的时间内消除所有的图标就可以过关。 三、游戏特点 本源码实现了随机重排和背景以及点击音效。总共有初级
  3. 所属分类:WEB(ASP,PHP,...)

    • 发布日期:2017-05-03
    • 文件大小:1000907
    • 提供者:xxpudn96
  1. opencv-doc

    0下载:
  2. 图像数据操作(内存分配与释放,图像复制、设定和转换) 图像/视频的输入输出(支持文件或摄像头的输入,图像/视频文件的输出) 矩阵/向量数据操作及线性代数运算(矩阵乘积、矩阵方程求解、特征值、奇异值分解) 支持多种动态数据结构(链表、队列、数据集、树、图) 基本图像处理(去噪、边缘检测、角点检测、采样与插值、色彩变换、形态学处理、直方图、图像金字塔结构) 结构分析(连通域/分支、轮廓处理、距离转换、图像矩、模板匹配、霍夫变换、多项式逼近、曲线拟合、椭圆拟合、狄劳尼三角化)
  3. 所属分类:software engineering

    • 发布日期:2017-05-16
    • 文件大小:3722793
    • 提供者:korbon
  1. one

    0下载:
  2. 基于叶片数字图像的植物识别是自动植物分类研究的热点。但是随着植物种类的增加,传统的分类方法由 于提取的特征比较单一或者分类器结构过于简单,导致叶片识别率较低。为此,本文提出使用纹理特征结合形状 特征进行识别,并且使用深度信念网络构架作为分类器。纹理特征通过局部二值模式、Gabor 滤波和灰度共生矩阵 方法得到。而形状特征向量由 Hu 氏不变量和傅里叶描述子组成。为了避免过拟合现象,使用“dropout”方法训练 深度信念网络。这种基于多特征融合的深度信念网络的植物识别方法-Plant based
  3. 所属分类:Special Effects

    • 发布日期:2017-05-05
    • 文件大小:377960
    • 提供者:hahah
  1. two

    1下载:
  2. :植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。然而,低维特征不能全面描述叶片信息,识别准确率低,本文提 出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理,获得去除颜色、虫洞、 叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征,对灰度图像提取 Hu不变矩特征、灰 度共生矩阵特征、局部二值模式特征和 Gabor 特征,对纹理图像提取分形维数,共得到 2183 维特征参数。再采用主成分分析与线性 评判分析相
  3. 所属分类:Special Effects

    • 发布日期:2017-05-06
    • 文件大小:573194
    • 提供者:hahah
  1. LBP

    0下载:
  2. 一幅图像的纹理是在图像计算中经过量化的图像特征。图像纹理描述图像或其中小块区域的空间颜色分布和光强分布。纹理特征的提取分为基于结构的方法和基于统计数据的方法。一个基于结构的纹理特征提取方法是将所要检测的纹理进行建模,在图像中搜索重复的模式,该方法对人工合成的纹理识别效果较好。但对于其他图像中的纹理识别,基于统计数据的方法效果更好。-A texture image is the image in the calculation of the quantized image features. Sp
  3. 所属分类:OpenCV

    • 发布日期:2017-12-15
    • 文件大小:8372224
    • 提供者:黄蓉
  1. feixianxingguiyi

    0下载:
  2. 手写汉字变形问题是非特定人脱机手写汉字识别中的关键同题。本文从预处理的角度探讨了直接从汉字点阵图像上矫正手写变形、减小属于同一类别的不同模式之I町差异的途径,提出了一种新的非线性规一化方法。该方法同时考虑了汉字笔画像素点和背量空白像素点,汉字点阵中的所有像素点均具有笔画密度描述,且将不同的像素点赋予不同的笔画密度,笔画密度时描述具有二维性、局部性,使得笔画密度的描述更为合理,规一化后的汉字点阵中笔画的分布更加趋向均匀.实验结果证实了本文方法的有效性。-The problem of handwri
  3. 所属分类:Graph Recognize

    • 发布日期:2017-12-09
    • 文件大小:193083
    • 提供者:东方
  1. CNN

    1下载:
  2. 卷积神经网络是近年发展起来,并引起广泛重视的一种高效识别方法。20世纪60年代,Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性,继而提出了卷积神经网络(Convolutional Neural Networks-简称CNN)。现在,CNN已经成为众多科学领域的研究热点之一,特别是在模式分类领域,由于该网络避免了对图像的复杂前期预处理,可以直接输入原始图像,因而得到了更为广泛的应用。(Convolution neura
  3. 所属分类:人工智能/神经网络/深度学习

  1. LBP

    0下载:
  2. (1)计算图像中每个像素点的LBP模式(等价模式,或者旋转不变+等价模式)。 (2)然后计算每个cell的LBP特征值直方图,然后对该直方图进行归一化处理(每个cell中,对于每个bin,h[i]/=sum,sum就是一副图像中所有等价类的个数)。 (3)最后将得到的每个cell的统计直方图进行连接成为一个特征向量,也就是整幅图的LBP纹理特征向量; 然后便可利用SVM或者其他机器学习算法进行分类识别了。((1) calculate the LBP pattern of each p
  3. 所属分类:图形图像处理

    • 发布日期:2018-05-04
    • 文件大小:68608
    • 提供者:刘宇123
  1. sourceafis-V3.1

    1下载:
  2. SourceAFIS是一个人类指纹识别库,它可以比较两个指纹(1:1模式)是否属于同一个人,或搜索一个大型数据库(1:N模式)找出该指纹的身份。它需要原始指纹图像的输入,并产生匹配得分的输出。提供 .NET 和 Java 的开发包。
  3. 所属分类:生物技术

    • 发布日期:2019-05-08
    • 文件大小:41060
    • 提供者:44710841@qq.com
« 1 2 ... 45 46 47 48 49 50»
搜珍网 www.dssz.com