搜索资源列表
TextureFeatureExtraction
- 基于灰度共生矩阵的纹理特征提取，输出为图像四个方向共十六个特征值-Gray-level co-occurrence matrix based texture feature extraction, the output image in four directions for a total of 16 eigenvalues
TextureFeatureExtraction
- 基于灰度共生矩阵的纹理特征提取，输出为图像四个方向共十六个特征值-Gray-level co-occurrence matrix based texture feature extraction, the output image in four directions for a total of 16 eigenvalues
CPPGLCM
- 基于c++的灰度共生矩阵，并计算其特征值，很好的源码。-Based c++ GLCM, and calculate the eigenvalues, a good source.
tuxiang-huadong
- matlab程序，对图像做选取3*3矩阵的8邻域与中心特征值的像素差，然后按照不同的方式滑动-matlab program, the selected pixels of the image to make the neighborhood and the center differential 8 eigenvalues 3* 3 matrix, and then slide in different ways
huidugongshengjuzhen
- 提取图像灰度共生矩阵的四个特征值能量，相关性，熵-Extract images GLCM four energy eigenvalues, correlation, entropy, etc.
8-(3)
- 利用灰度共生矩阵提取图像纹理特征值，然后根据熵值的大小来实现模块大小的选择。 另外，在寻找最佳匹配块时，同时考虑了颜色信息的差异和空间距离的因素。最后，给出了客观评价 图像修复质量的PSNR度量。实验表明，与Criminisi算法相比，该方法得到的修复效果更自然，更符合 人的视觉感知。 关键词：图像修复；纹理合-This paper firstly utilizes gray-level co-occurrence matrix to exti’act image s textu
kl
- kl变换. KL变换的流程如下： （1)获取多幅图像的统计特性：图像之间的协方差 （2)获取协方差的特征值和特征向量，从而获取正交核:特征矩阵 （3)图像对应象素点对各个特征向量进行投影运算。-kl transformation
gongshengjuzhen
- 计算四个方向的共生矩阵，以及共生矩阵的四个特征值Uniformity，contrast，entropy，Homogeneity-Four features four directions of co-occurrence matrix is calculated, as well as co-occurrence matrix value Uniformity, contrast, entropy, Homogeneity
PCA_K
- PCA的思想为将图像的协方差矩阵分解，获得分解后的方向向量。然后将数据分别投影到某一个方向上去，获得与原图象近似的图像。当然,与最大特征值所对应的特征向量方向获得最好的图像。因此，PCA方法可以作为降维的一种方法。留下在某些方向较好的图像，而抛弃那些在另外一些方向上不好的图像。-PCA ideas as to decompose the covariance matrix of the image, the direction vector obtained after decompositio
myGLCMtest
- 计算一副图像的共生矩阵，并输出其特征值。-Calculate image co-occurrence matrix, and outputs its eigenvalues.
guanxingjujisuan
- 根据图像的灰度共生矩阵计算各种特征值如惯性值用于图像纹理分析-computing the feature values of an image to study its texture
Hessian
- 基于海森矩阵的视网膜图像血管增强，用到特征值-Retinal vascular image enhancement based on hazen matrix, use characteristic value
CLASSICALMUSIC1
- MUSIC算法[1] 是一种基于矩阵特征空间分解的方法。从几何角度讲，信号处理的观测空间可以分解为信号子空间和噪声子空间，显然这两个空间是正交的。信号子空间由阵列接收到的数据协方差矩阵中与信号对应的特征向量组成，噪声子空间则由协方差矩阵中所有最小特征值（噪声方差）对应的特征向量组成。MUSIC算法就是利用这两个互补空间之间的正交特性来估计空间信号的方位。噪声子空间的所有向量被用来构造谱，所有空间方位谱中的峰值位置对应信号的来波方位。MUSIC算法大大提高了测向分辨率，同时适应于任意形状的天线阵列
ROOTMUSIC
- 针对非圆信号DOA估计问题,提出了一种基于实值特征值分解 (Eigenvalue decomposition,EVD)的求根MUSIC算法.首先利用非圆信号为实值信号的特点,将阵列上的接收数据及其共轭用欧拉公式转换为实值正弦与 余弦数据,然后将正弦与余弦数据进行串联,从而扩展了数据维数.由于采用实值矩阵的EVD,因此在EVD阶段的运算量简化为复值EVD的1/4.根据 EVD后获得的信号与噪声子空间的特点,对噪声子空间和导向矩阵进行重构以便于可以使用求根MUSIC算法获取对DOA的估计.仿真实验验
GrayComatrix
- 灰度共生矩阵特征提取，代码可执行，返回特征值。模式识别用。-Gray level co-occurrence matrix
GLCM
- 提取灰度共生矩阵的纹理特征的代码，全部14个特征值的计算都有-GLCM extract texture feature code to calculate all eigenvalues have 14
GLCM
- 运用灰度共生矩阵提取织物表面特征值进行织物瑕疵识别和处理-GLCM to extract characteristic values of the fabric surface defects identified and processed fabrics
Image-segmentation-based-on-texture
- 利用灰度图 建共生矩阵 利用特征值 对纹理图像分割-The use of grayscale co-occurrence matrix to build the use of characteristic values of the texture map would like to partition
glcm2
- 通过opencv计算图像的灰度共生矩阵，计算特征值-Image is computed by opencv GLCM calculating eigenvalues
PCANoiseLevelEstimator
- 盲噪声估计出现在许多图像处理应用的问题，如去噪、COM压缩、分割。在本文中，我们提出了一种新的噪声电平估计方法的基础上的主成分分析的图像块。我们表明，噪声方差可以估计为图像块协方差矩阵的最小特征值。与现有的13种方法相比，所提出的方法显示了良好的速度和精度之间的妥协。这是至少15倍的速度比类似的精度的方法，它是至少两倍的精度比其他方法。我们的方法不假定存在均匀区域的输入图像，因此，可以成功地处理图像只包含纹理。-The problem of blind noise level estimatio