LBP纹理特征提取在c上实现

BP网络的训练是matlab中文论坛的例子，效果比较好。调用主函数是我自己写的。

 图像的自适应魏纳滤波, 程序能够运行出正确的结果，希望对各位有帮助。 

3D显示程序 3D fractal in stereo. An sample application from the GLUT distribution.

K-means cluster 用c++实现的，大家一起学习交流。 Step 1. 从n个数据对象任意选择k个对象作为初始聚类中心； Step 2. 循环Step 3到Step 4直到每个聚类不再发生变化为止； Step 3. 根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分； Step 4. 重新计算每个（有变化）聚类的均值（中心对象） k-means算法的工作过程说明如下：首先从n个数据对象任意选择

qcad2.05可用于windows和linux的源码-qcad2.05 can be used for windows and linux source code

人脸特征点识别代码，可做学习之用。使用vs2010和opencv4.0开发，当人脸出现在摄像头中时，可以检测出人脸特征点的位置并标定出来

应用背景要求：Matlab，Matlab图像处理工具箱。在图像压缩和特征提取中，线性扩展的标准使用。这是最近提出的李和承：一个正或非负线性扩展是一个非常强大的约束，这似乎导致图像的稀疏表示。他们的技术，被称为非负矩阵分解（NMF），被证明是一个高维数据中的有用技术由非负性成分组成。关键技术关键词：MATLAB源代码，，，NMF，图像，压缩，非负矩阵分解。1发布日期2014.10.27主要特点：NMF的图像压缩详细数据压缩信息灰度和RGB图像的支持快速优化实现演示代码（保护p-files）可用绩效评价

双缓冲帮之你了解DC的创建位图的选入和贴图方法

摘要：故障诊断起着物理的重要作用 故障分析与产量的学习过程。随着数百亿 晶体管被集成在一个芯片上，多个故障可能 存在的。随着多个故障，故障屏蔽和加固效果 可能会出现。它们可能会导致基于单故障常规 诊断方法，如在一个时刻的单个位置（SLAT） 为无效。如果没有流行的SLAT方法失败 够SLAT图案可以由单个stuckat说明 故障。此外，一个真正的硅缺陷可能表现为不同 故障在不同的故障模式模型（DM），它可 无效使用单故障模型的方法SLAT 在所有失败的模式。在本文中，我们介绍的概念 故障元件，支持多种故障模型，并使用faultelement 图（FEG）考虑故障屏蔽和加固 多故障之间的影响。基于所有失败的FEGs 模式，最有可能的故障位置和故障的因素 被反复识别。同时，FEGs是迭代地 修剪跟踪的其余多个故障的影响，直到 所有的故障点被确定，所有的FEGs减少 为null。实验表明，该诊断 方法可以识别，即使在​​多个故障的位置 DM具有较高的诊断精度和分辨率。 关键词：故障诊断，故障元件，故障元件 图（FEG），多种故障模式，多重故障。

应用背景boosting算法训练了T个弱分类器ht,t∈{1,....,T}.这些弱分类器很简单.大多说情况下,它们只是包含一次分裂(称为决策stumps)或仅有几次分裂(可能到3次)的决策树.最后做决定的时候将复制权重αt给每个分类器.AdaBoost训练时输入的特征向量是xi,向量的类别标签是yi(这儿i=1,...,M,M是样本总数),且yi∈{1,-1}.关键技术1.在Release下进行调试 2.指定文件保存路径，如：char* filename_to_save = "F: estdataoutput.xml"; 3.选用训练的方法，如method = 1; 4.这步需要使用模型的时候再指定，训练的时候设置为char* filename_to_load = 0;使用模型的时候指定，如char* filename_to_load = "F: estdataoutput.xml";