搜索资源列表
Colorhist_Libsvm_dem
- 随着科学技术的飞速发展，机器学习与人工智能技术的不断创新，人们对特定信息检索的需求逐渐增加，使得如何对资源进行合理有效的分类成为一个关键问题。近几年来，基于内容的图像分类的研究焦点主要集中在自然图像的场景分类和物体分类两个方面，大多采用有监督学习方法，通过对底层特征建模和中间语义分析来实现分类。 本文基于Libsvm的图像分类研究及实现，主要针对的是物体分类这一方面，选用了五类水果作为分类研究的对象。对图像进行分类的大体步骤主要包括采集图像样本（主要从Web上获取）、图像预处理（如截成大小一致
MoravecPoint
- 利用moravec算子实现图像的点特征提取，效果基于阈值的选择(The Moravec operator is used to extract the point feature of the image, and the effect is based on the selection of the threshold.)
License-Plate-Recognition-by-MATLAB-master
- 对于不同的数字字符进行不同的特征点的选取以及对于不同的字符做到精准的识别(The selection of different feature points for different numeric characters and accurate recognition for different characters)
SPA
- 连续投影算法，选取特征波长，降维，简单化(Continuous projection algorithm, selection of feature wavelength, dimensionality reduction and simplification)
背包1
- 贪心背包，贪心算法总是作出在当前看来最好的选择。也就是说贪心算法并不从整体最优考虑，它所作出的选择只是在某种意义上的局部最优选择。当然，希望贪心算法得到的最终结果也是整体最优的。虽然贪心算法不能对所有问题都得到整体最优解，但对许多问题它能产生整体最优解。如单源最短路经问题，最小生成树问题等。在一些情况下，即使贪心算法不能得到整体最优解，其最终结果却是最优解的很好近似。(Greedy knapsack, (1) the so-called greedy choice property means
SURF探测器拼接两张图像以创建全景的openCV实现
- 基于SURF的图像拼接，全景图像筛选特征点，进行匹配刷选转换(Image mosaic based on SURF panoramic image filtering feature points matching selection switch)
ObjectManualCutNew
- 对图片上的特征物可以实现框选或者是描边提取，同时记录坐标，可用于机器学习。(The feature of the picture can achieve frame selection or stroke extraction, while recording the coordinates, can be used for machine learning.)