6180007mean_shift

这是用C++实现图像立体匹配的一个完整的论文代码，主要特性是提出了一种全新的跨规模代价聚合方法，适合对于图像的立体匹配有一定基础的人学习(Cross-Scale Cost Aggregation for Stereo Matching)

采用最大方差阈值分割法，对指纹进行提取。(Using the maximum variance threshold segmentation method for fingerprint extraction.)

一个matlab小程序，用来将tif序列图片转换成envi可读取的raw文件(A matlab applet for converting TIF sequence images into envi readable raw files)

一个简单好用的mmn排队算法，其中n=3(a simple and useful mmn method)

包含完整的SVM算法，下载即可使用。其中包括数据集和完整的算法结构，算法结构包括数据清理、核函数升维以及SMO优化算法，可以较好实现数据非线性分类。(Contains the complete SVM algorithm and download it for use. Including the data set and the complete algorithm structure, the algorithm structure includes data cleaning, kernel function upscaling and SMO optimization algorithm, which can better achieve nonlinear data classification.)

在高斯混合噪声背景下实现SLIM谱估计算法和l1范数SLIM谱估计法，并在-5到15的信噪比条件与CRLB对比均方频率误差(the paper achieves the SLIM spectral estimation algorithm and l1-SLIM spectral estimation method under the Gaussian mixture background noise,then compares the mean square frequency error with CRLB under SNR from-5 to 15 )

信号处理的小波导引：稀疏方法（原书第3版） 《信号处理的小波导引：稀疏方法（原书第3版）》全面论述了稀疏表示的重要概念、技术和应用，反映了该主题在当今信号处理领域所起的关键作用。作者在解释了稀疏的主要概念后将其运用于信号压缩、噪声衰减和逆问题，同时给出了冗余字典、超分辨率和压缩感知中的稀疏表示。 　　本书既可以让应用数学系的学生了解数学公式的工程意义，也可以让计算机及电子工程系的学生了解工程问题的数学描述。对于小波理论与应用的研究人员，本书更是一本极具价值的参考书。(a Wavelet Tour of Signal Processing(Third Edition.The Sparse Way))

alpha稳定分布噪声的matlab实现(alpha stable distribution noise matlab implementation)

（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 pixel in the image (equivalent mode, or rotation invariant + equivalent mode). (2) then the LBP eigenvalue histogram of each cell is calculated, and then the histogram is normalized (for each cell, for each bin, h[i]/=sum, sum is the number of all the equivalent classes in a pair of images). (3) finally, the statistical histogram of each cell is connected into a feature vector, that is, the LBP texture feature vector of the whole picture. Then, SVM or other machine learning algorithms can be used for classification and recognition.)

说明：  Pattern Recognitn : Role of Digital Image Processing in Morphology