pcaklm

自己编写的一个MATLAB 的水平、垂直灰度投影，程序简单易懂，希望对大家有用。(I have written a MATLAB horizontal, vertical gray projection, the program easy to understand, want to be useful.)

k-均值聚类算法实现灰度图像分割，输入图像矩阵和聚类中心个数，返回为最终的聚类中心和图像中每个像素所属类的编号（对应于图像矩阵）(k-means clustering algorithm to achieve gray-scale image segmentation, the input image matrix and the number of cluster centers, the return for the final image of the cluster centers and their respective categories in each pixel number (corresponding to the image matrix))

提取SIFT特征，进行特征提取和匹配，包括特征点的定位，特征点描述子的生成，特征点的匹配，(extract SIFT feature，and feature matching)

主成分分析程序,应用于图像特征提取，数据降维等方面 (the code of PCA)

立体视觉中的相机标定程序！很好用的张正友方法标定程序(stereo vision of the camera calibration procedure! Zhang good is the method of calibration procedures Friends)

NIPS2006论文“Saliency based on Information Maximization”的源码，用于显著图计算，作者是N. Bruce 和 J.Tsotsos (a code for "Saliency based on Information Maximization",N. Bruce &J.Tsotsos ,NIPS,2006)

多幅图像拼接matlab实现 sift特征提取、描述、匹配、RANSAC、仿射变换(Multiple image mosaics, MATLAB, SIFT feature extraction, description, matching, RANSAC, affine transformation)

图像分割及二值化源码。该程序是交通标识识别的一部分。(Image segmentation and binary code. The traffic sign recognition program is part of.)

说明：  ORB-SLAM 基本延续了 PTAM 的算法框架,但对框架中的大部分组件都做了改进, 归纳起来主要有 4 点: ORB-SLAM 选用了 ORB 特征, 基于 ORB 描述量的特征匹配和重定位, 都比 PTAM 具有更好的视角不变性。此外, 新增三维点的特征匹配效率更高, 因此能更及时地扩展场景。扩展场景及时与否决定了后续帧是否能稳定跟踪。ORBSLAM 加入了循环回路的检测和闭合机制, 以消除误差累积。系统采用与重定位相同的方法来检测回路(匹配回路两侧关键帧上的公共点), 通过方位图 (Pose Graph) 优化来闭合回路。PTAM 需要用户指定 2 帧来初始化系统, 2 帧间既要有足够的公共点, 又要有足够的平移量. 平移运动为这些公共点提供视差 (Parallax) , 只有足够的视差才能三角化出精确的三维位置。ORB-SLAM 通过检测视差来自动选择初始化的 2 帧。PTAM 扩展场景时也要求新加入的关键帧提供足够的视差, 导致场景往往难以扩展. ORB-SLAM 采用一种更鲁棒的关键帧和三维点的选择机制——先用宽松的判断条件尽可能及时地加入新的关键帧和三维点, 以保证后续帧的鲁棒跟踪; 再用严格的判断条件删除冗余的关键帧和不稳定的三维点，以保证 BA 的效率和精度。(Orb-slam basically continues the algorithm framework of PTAM, but most of the components in the framework have been improved, which mainly includes four points:)

说明：  傅里叶谱与频域低通滤波 (a)从图书网站下载图4.41(a)并计算其(居中)傅里叶谱。(b)显示频谱。(c)在等式(4.8-7)中实现高斯低通滤波器。您必须能够指定结果2D函数的大小，M x N。此外，您必须能够指定高斯函数的中心位置。(d)从图书网站下载图4.41(a)，并对其进行低通滤波，以复制图4.48中的结果。(Fourier Spectrum and Lowpass Filtering in Frequency Domain (a) Download Fig. 4.41(a) from the book web site and compute its (centered) Fourier spectrum. (b) Display the spectrum. (c) Implement the Gaussian lowpass filter in Eq. (4.8-7). You must be able to specify the size, M x N, of the resulting 2D function. In addition, you must be able to specify the location of the center of the Gaussian function. (d) Download Fig. 4.41(a) from the book web site and lowpass filter it to duplicate the results in Fig. 4.48.)