相关文档

• SIFT算法实现及代码详解.doc

  经典算法SIFT实现即代码解释：以下便是sift源码库编译后的效果图：??? 为了给有兴趣实现sift算法的朋友提供个参考特整理此文如下要了解什么是sift算法请参考： HYPERLINK :blog.csdn.netv_JULY_varchive201102156186942.aspx t _blank 九图像特征提取与匹配之SIFT算法ok咱们下面就来利用Rob Hess维

• SWIFT信用证代码表及详解.doc

  SWIFT跟单信用证条款项目代码简介【MT700和MT701开证格式】代码Tag栏位名称(Field Name)27Sequence of Total 电文页次20Documentary Credit Number 信用证编号40EApplicable Rule 适用条文45BDescription of Goods andor Service 货物和或服务的描述46BDocuments R

• SIFT算法实现原理步骤.doc

  SIFT算法实现步骤 ：1 关键点检测2 关键点描述3 关键点匹配4 消除错配点参考链接：  1关键点检测 建立尺度空间根据文献《Scale-space theory: A basic tool for analysing structures at different scales》我们可知高斯核是唯一可以产生多尺度空间的核一个图像的尺度空间L（xyσ) 定义为原始图像I(xy)

• 粒子群算法详解matlab代码.doc

  粒子群算法(1)----粒子群算法简介一粒子群算法的历史　　 粒子群算法源于复杂适应系统plex Adaptive SystemCAS)CAS理论于1994年正式提出CAS中的成员称为主体比如研究鸟群系统每个鸟在这个系统中就称为主体主体有适应性它能够与环境及其他的主体进行交流并且根据交流的过程学习或积累经验改变自身结构与行为整个系统的演变或进化包括：新层次的产生(小鸟的出生)分化和多

• 支持向量机算法及其代码实现.doc

  支持向量机(SVM)起初由vapnik提出时是作为寻求最优(在一定程度上)二分类器的一种技术後来它又被拓展到回归和聚类应用SVM是一种基于核函数的方法它通过某些核函数把特征向量映射到高维空间然後建立一个线性判别函数(或者说是一个高维空间中的能够区分训练数据的最优超平面参考异或那个经典例子)假如SVM没有明确定义核函数高维空间中任意两点距离就需要定义 解是最优的在某种意义上是两类中距离分割面最

• 实现弹出窗口的window.open用法详解（js代码）.docx

   实现弹出窗口的用法详解(js代码) 实现弹出窗口的用法详解(js代码) 　 【1最基本的弹出窗口代码】 其实代码非常简单： Javascript代码 <SCRIPT?LANGUAGE=javascript> ??<-- ???() ??--> ??<SCRIPT>??<SCRIPT LANGUAGE=javascript><-- ()--><SCRIPT>　因为这是一段javascrip

• SIFT系列02--SIFT源码详细注释.docx

  SIFT系列02--SIFT源码详细注释保留每一步运算的中间结果(2013-04-27 18:30:38)关于sift算法的原理有很多文档本来想整理到BLOG但是考虑到排版比较麻烦就不弄了把opencv里面的sift源码详细注释了一下把相关函数重新整合到SIFT的类里面这样就可以用这个类而不用opencv的sift接口来提取特 征点用此方法提取特征点的速度上也有很明显的提升说明OpenCV用来做具

• 线性表算法实现源代码.doc

  第一题：1.设计算法 a.定义：listsize（线性表长度）b．调用函数sqListInitList_sq构造一个空的线性表C．输入 线性表长度2.根据算法得到如下流程图：调用函数sqListInitList_sq定义listsize开始printf(d)结束3.根据流程图得到如下程序：include include<>includeInitList_int _tmain(int argc _T

• 主要算法代码的实现(1).doc

  主要算法代码的实现(1)几何变换的MATLAB代码global ImagenUmbral %定义一个全局变量ImagenUmbralglobal J%使用全局变量Jselection =questdlg('请选择几何变换','选择几何变换','水平镜像','垂直镜像','对角镜像','default') if strcmp(selection,'水平镜像')%如果选择“水平镜像” [M,N]=

• SVM支持向量机算法及其代码实现.doc

  支持向量机算法及其代码实现支持向量机(SVM)起初由vapnik提出时是作为寻求最优(在一定程度上)二分类器的一种技术後来它又被拓展到回归和聚类应用SVM是一种基于核函数的方法它通过某些核函数把特征向量映射到高维空间然後建立一个线性判别函数(或者说是一个高维空间中的能够区分训练数据的最优超平面参考异或那个经典例子)假如SVM没有明确定义核函数高维空间中任意两点距离就需要定义 解是最优的在某种