OpenCV之LBP

最新推荐文章于 2024-06-14 21:45:21 发布
最新推荐文章于 2024-06-14 21:45:21 发布
阅读量6.7k 收藏 11
点赞数 1
分类专栏： 模式识别

LBP（Local binary pattern）是一个易理解且有效的局部图像特征，应用很广泛。在网上可以搜到一大把的LBP介绍，所以本博文就忽略了对其的介绍。直接附上代码，代码不难，只是希望对大家有用！如有错误和补充，欢迎提出，大家共同进步哈！

背景介绍

局部二值模式(Local binary patterns,LBP)是机器视觉领域中用于描述图像局部纹理特征的算子,具有旋转不变性和灰度不变性等显著的优点。它是由T. Ojala, M.Pietikäinen, 和 D. Harwood [1][2]在1994年提出，LBP在纹理分类问题上是一个非常强大的特征；如果LBP与HOG结合，则可以在一些集合上十分有效的提升检测效果。LBP是一个简单但非常有效的纹理运算符。它将各个像素与其附近的像素进行比较，并把结果保存为二进制数。由于其辨别力强大和计算简单，局部二值模式纹理算子已经在不同的场景下得到应用。LBP最重要的属性是对诸如光照变化等造成的灰度变化的鲁棒性。它的另外一个重要特性是它的计算简单，这使得它可以对图像进行实时分析。本节介绍相关LPB算法特征提取知识。

基本理论

局部二值模式是广泛用于图像分类的一种图像特征，它的特点是，在图像发生光照变化时，提取的特征仍然能够不发生大的改变。提取LBP的过程首先是将原始图像转换为LBP图，然后统计LBP图的LBP直方图，并以这个向量形式的直方图来表示原始的图像。LBP的基本思想是定义于像素的8邻域中,以中心像素的灰度值为阈值,将周围8个像素的值与其比较,如果周围的像素值小于中心像素的灰度值,该像素位置就被标记为0,否则标记为1.每个像素得到一个二进制组合,就像00010011.每个像素有8个相邻的像素点,即有2^8种可能性组合.如下图所示。


因此，LBP操作可以被定义为

其中35是中心像素，亮度是36；而37则是相邻像素的亮度。s是一个符号函数：


这种描述方法使得你可以很好的捕捉到图像中的细节。实际上，研究者们可以用它在纹理分类上得到最先进的水平。正如刚才描述的方法被提出后，固定的近邻区域对于尺度变化的编码失效。所以，使用一个变量的扩展方法，在文献[5]中有描述。主意是使用可变半径的圆对近邻像素进行编码，这样可以捕捉到如下的近邻：


对一个给定的点40   ，他的近邻点 41 可以由如下计算：


其中，R是圆的半径，而P是样本点的个数。这个操作是对原始LBP算子的扩展，所以有时被称为扩展LBP(又称为圆形LBP)。如果一个在圆上的点不在图像坐标上，我们使用他的内插点。计算机科学有一堆聪明的插值方法，而OpenCV使用双线性插值。


LBP的提升版本

原始的LBP提出后，研究人员不断对其提出了各种改进和优化。

圆形LBP算子

基本的LBP算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域，这显然不能满足不同尺寸和频率纹理的需要。为了适应不同尺度的纹理特征，并达到灰度和旋转不变性的要求，Ojala等对 LBP 算子进行了改进，将 3×3邻域扩展到任意邻域，并用圆形邻域代替了正方形邻域，改进后的 LBP 算子允许在半径为 R 的圆形邻域内有任意多个像素点。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子；


LBP均匀模式LBP (uniform LBP)

基本地LBP算子可以产生不同的二进制模式，对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生P2种模式。很显然，随着邻域集内采样点数的增加，二进制模式的种类是急剧增加的。均匀模式就是一个二进制序列从0到1或是从1到0的变过不超过2次（这个二进制序列首尾相连）。比如：10100000的变化次数为3次所以不是一个uniform pattern。所有的8位二进制数中共有58个uniform pattern.为什么要提出这么个uniform LBP呢，例如：5×5邻域内20个采样点，有2^20＝1,048,576种二进制模式。如此多的二值模式无论对于纹理的提取还是对于纹理的识别、分类及信息的存取都是不利的。同时，过多的模式种类对于纹理的表达是不利的。例如，将LBP算子用于纹理分类或人脸识别时，常采用LBP模式的统计直方图来表达图像的信息，而较多的模式种类将使得数据量过大，且直方图过于稀疏。因此，需要对原始的LBP模式进行降维，使得数据量减少的情况下能最好的代表图像的信息。

为了解决二进制模式过多的问题，提高统计性，Ojala提出了采用一种“等价模式”(Uniform Pattern)来对LBP算子的模式种类进行降维。Ojala等认为，在实际图像中，绝大多数LBP模式最多只包含两次从1到0或从0到1的跳变。因此，Ojala将“等价模式”定义为：当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该LBP所对应的二进制就称为一个等价模式类。如00000000(0次跳变)，00000111(只含一次从0到1的跳变)，10001111(先由1跳到0，再由0跳到1，共两次跳变)都是等价模式类。除等价模式类以外的模式都归为另一类，称为混合模式类，例如10010111(共四次跳变)。通过这样的改进，二进制模式的种类大大减少，而不会丢失任何信息。模式数量由原来的2P种减少为 P ( P-1)+2种，其中P表示邻域集内的采样点数。对于3×3邻域内8个采样点来说，二进制模式由原始的256种减少为58种，即：它把值分为59类，58个uniform pattern为一类，其它的所有值为第59类。这样直方图从原来的256维变成59维。这使得特征向量的维数更少，并且可以减少高频噪声带来的影响。

旋转不变模式LBP

旋转不变模式LBP能够在图片发生一定的倾斜时也能得到相同的结果。它的定义可以看下(注：此图来自于网络)：

 


我们看到中心点的邻居不再是它上下左右的8个点（补充一句，不一定非要是3*3的邻域，这个自己定，但是邻域大了意味着直方图向量维度的增加），而是以它为圆心的一个圈，规定了这个圆的半径和点的个数，就可以求出各个点的坐标，但是点的坐标不一定是整数，如果是整数那么这个点的像素值就是对应点的值，如果不是整数，就用差值的方式得到。从 LBP 的定义可以看出，LBP 算子是灰度不变的，但却不是旋转不变的。图像的旋转就会得到不同的 LBP值。Maenpaa等人又将 LBP算子进行了扩展，提出了具有旋转不变性的 LBP 算子，即不断旋转圆形邻域得到一系列初始定义的 LBP值，取其最小值作为该邻域的 LBP 值。

如上图所示(注：此图来自于网络)给出了求取旋转不变的 LBP 的过程示意图，图中算子下方的数字表示该算子对应的 LBP值，图中所示的 8 种 LBP模式，经过旋转不变的处理，最终得到的具有旋转不变性的 LBP值为 15。也就是说，图中的 8种 LBP 模式对应的旋转不变的 LBP模式都是 00001111。

上述介绍了几种不同版本的LBP，对LBP特征向量进行提取的步骤,如下所示：

  1. 将检测窗口划分为16×16的小区域(cell)；
  2. 对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；
  3. 然后计算每个cell的直方图，即每个数字（假定是十进制数LBP值）出现的频率；然后对该直方图进行归一化处理。
  4. 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了。




注意：下面代码仅为示例便利，牺牲了一些效率！

一）一般的LBP，256维

[cpp]  view plain copy 在CODE上查看代码片 派生到我的代码片
  1. //====================================================================    
  2. // 作者   : quarryman    
  3. // 邮箱   : quarrying{at}qq.com    
  4. // 主页   : http://blog.csdn.net/quarryman    
  5. // 日期   : 2013年08月11日    
  6. // 描述   : 实现一般的LBP    
  7. //====================================================================    
  8. #include <cv.h>  
  9. #include <highgui.h>  
  10.   
  11. void LBP(IplImage* src, IplImage* dst)  
  12. {  
  13.     int width=src->width;  
  14.     int height=src->height;  
  15.     for(int j=1;j<width-1;j++)  
  16.     {  
  17.         for(int i=1;i<height-1;i++)  
  18.         {  
  19.             uchar neighborhood[8]={0};  
  20.             neighborhood[7] = CV_IMAGE_ELEM( src, uchar, i-1, j-1);  
  21.             neighborhood[6] = CV_IMAGE_ELEM( src, uchar, i-1, j);  
  22.             neighborhood[5] = CV_IMAGE_ELEM( src, uchar, i-1, j+1);  
  23.             neighborhood[4] = CV_IMAGE_ELEM( src, uchar, i, j-1);  
  24.             neighborhood[3] = CV_IMAGE_ELEM( src, uchar, i, j+1);  
  25.             neighborhood[2] = CV_IMAGE_ELEM( src, uchar, i+1, j-1);  
  26.             neighborhood[1] = CV_IMAGE_ELEM( src, uchar, i+1, j);  
  27.             neighborhood[0] = CV_IMAGE_ELEM( src, uchar, i+1, j+1);  
  28.             uchar center = CV_IMAGE_ELEM( src, uchar, i, j);  
  29.             uchar temp=0;  
  30.   
  31.             for(int k=0;k<8;k++)  
  32.             {  
  33.                 temp+=(neighborhood[k]>=center)<<k;  
  34.             }  
  35.             CV_IMAGE_ELEM( dst, uchar, i, j)=temp;  
  36.         }  
  37.     }  
  38. }  
  39.   
  40. int main()  
  41. {  
  42.     IplImage* img=cvLoadImage("lena.jpg", 0);  
  43.     IplImage* dst=cvCreateImage(cvGetSize(img),8,1);  
  44.     LBP(img,dst);  
  45.     cvNamedWindow("图像", 1);  
  46.     cvShowImage("图像", dst);  
  47.     cvWaitKey(0);  
  48.     cvDestroyAllWindows();  
  49.     cvReleaseImage(&img);  
  50.     cvReleaseImage(&dst);  
  51.   
  52.     return 0;  
  53. }  
结果图像为：


二）Uniform Pattern的LBP，将256维降为59维。
绝大多数LBP模式最多只包含两次从1到0或从0到1的跳变。因此，Ojala将Uniform Pattern定义为：当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该LBP所对应的二进制就称为一个等价模式类。

代码一：

[cpp]  view plain copy 在CODE上查看代码片 派生到我的代码片
  1. #include <stdio.h>  
  2. typedef unsigned char uchar;  
  3. int getHopCount(uchar i)  
  4. {  
  5.     int a[8]={0};  
  6.     int k=7;  
  7.     int cnt=0;  
  8.     while(i)  
  9.     {  
  10.         a[k]=i&1;  
  11.         i>>=1;  
  12.         --k;  
  13.     }  
  14.     for(int k=0;k<8;++k)  
  15.     {  
  16.         if(a[k]!=a[k+1==8?0:k+1])  
  17.         {  
  18.             ++cnt;  
  19.         }  
  20.     }  
  21.     return cnt;  
  22. }  
  23.   
  24. int main()    
  25. {  
  26.     int cnt[9]={0};  
  27.     for(int i=0;i<256;++i)  
  28.     {  
  29.         cnt[getHopCount(i)]++;  
  30.     }  
  31.     for(int i=0;i<9;++i)  
  32.     {  
  33.         printf("跳变%d次的数目：%d\n",i,cnt[i]);  
  34.     }  
  35.     return 0;   
  36. }  

输出结果为：
跳变0次的数目：2
跳变1次的数目：0
跳变2次的数目：56
跳变3次的数目：0
跳变4次的数目：140
跳变5次的数目：0
跳变6次的数目：56
跳变7次的数目：0
跳变8次的数目：2
可见：56+2+1==59，所以有59维。

代码二：

[cpp]  view plain copy 在CODE上查看代码片 派生到我的代码片
  1. //====================================================================    
  2. // 作者   : quarryman    
  3. // 邮箱   : quarrying{at}qq.com    
  4. // 主页   : http://blog.csdn.net/quarryman    
  5. // 日期   : 2013年08月11日    
  6. // 描述   : Uniform Pattern的LBP    
  7. //====================================================================   
  8. #include <cv.h>  
  9. #include <highgui.h>  
  10.   
  11. int getHopCount(uchar i)  
  12. {  
  13.     int a[8]={0};  
  14.     int k=7;  
  15.     int cnt=0;  
  16.     while(i)  
  17.     {  
  18.         a[k]=i&1;  
  19.         i>>=1;  
  20.         --k;  
  21.     }  
  22.     for(int k=0;k<8;++k)  
  23.     {  
  24.         if(a[k]!=a[k+1==8?0:k+1])  
  25.         {  
  26.             ++cnt;  
  27.         }  
  28.     }  
  29.     return cnt;  
  30. }  
  31.   
  32. void lbp59table(uchar* table)  
  33. {  
  34.     memset(table,0,256);  
  35.     uchar temp=1;  
  36.     for(int i=0;i<256;++i)  
  37.     {  
  38.         if(getHopCount(i)<=2)  
  39.         {  
  40.             table[i]=temp;  
  41.             temp++;  
  42.         }  
  43.         // printf("%d\n",table[i]);  
  44.     }  
  45. }  
  46.   
  47. void LBP(IplImage* src, IplImage* dst)  
  48. {  
  49.     int width=src->width;  
  50.     int height=src->height;  
  51.     uchar table[256];  
  52.     lbp59table(table);  
  53.     for(int j=1;j<width-1;j++)  
  54.     {  
  55.         for(int i=1;i<height-1;i++)  
  56.         {  
  57.             uchar neighborhood[8]={0};  
  58.             neighborhood[7] = CV_IMAGE_ELEM( src, uchar, i-1, j-1);  
  59.             neighborhood[6] = CV_IMAGE_ELEM( src, uchar, i-1, j);  
  60.             neighborhood[5] = CV_IMAGE_ELEM( src, uchar, i-1, j+1);  
  61.             neighborhood[4] = CV_IMAGE_ELEM( src, uchar, i, j+1);  
  62.             neighborhood[3] = CV_IMAGE_ELEM( src, uchar, i+1, j+1);  
  63.             neighborhood[2] = CV_IMAGE_ELEM( src, uchar, i+1, j);  
  64.             neighborhood[1] = CV_IMAGE_ELEM( src, uchar, i+1, j-1);  
  65.             neighborhood[0] = CV_IMAGE_ELEM( src, uchar, i, j-1);  
  66.             uchar center = CV_IMAGE_ELEM( src, uchar, i, j);  
  67.             uchar temp=0;  
  68.   
  69.             for(int k=0;k<8;k++)  
  70.             {  
  71.                 temp+=(neighborhood[k]>=center)<<k;  
  72.             }  
  73.             //CV_IMAGE_ELEM( dst, uchar, i, j)=temp;  
  74.             CV_IMAGE_ELEM( dst, uchar, i, j)=table[temp];  
  75.         }  
  76.     }  
  77. }  
  78.   
  79. int main()  
  80. {  
  81.     IplImage* img=cvLoadImage("lena.jpg", 0);  
  82.     IplImage* dst=cvCreateImage(cvGetSize(img),8,1);  
  83.     LBP(img,dst);  
  84.     cvNamedWindow("图像", 1);  
  85.     cvShowImage("图像", dst);  
  86.     cvWaitKey(0);  
  87.     cvDestroyAllWindows();  
  88.     cvReleaseImage(&img);  
  89.     cvReleaseImage(&dst);  
  90.   
  91.     return 0;  
  92. }  
输出图像为：



版权声明：本文为博主原创文章，未经博主允许不得转载。

顶
6
 
踩
0
主题推荐
opencv  邮箱  应用  博客  class  pre  cpp
猜你在找
移动跨平台开发一步到位
疯狂IOS讲义之Objective-C面向对象设计
移动手机APP测试从零开始（初级篇）
iOS8开发技术（Swift版）：屏幕适配
jQuery 视频教程
id="ad_frm_0" frameborder="0" scrolling="no" src="http://blog.csdn.net/common/ad.html?t=4&containerId=ad_cen&frmId=ad_frm_0" style="border-width: 0px; overflow: hidden; width: 988px; height: 90px;">
查看评论
5楼  interwangzi20122014-10-16 10:34发表 [回复] [引用] [举报]
博主，模式数量由原来的2的P次方种减少为 P ( P-1)+2种，所以256种应该变成58种啊
Re:  zkl999992015-01-17 10:11发表 [回复] [引用] [举报]
回复interwangzi2012：那个1 是其余的归为一个
4楼  zscnd20132014-10-08 16:19发表 [回复]
好个东西，赞一个，挺适合初学者参考学习
3楼  DongKhan2014-08-07 09:52发表 [回复]
很棒！终于找到了给出源码的了
2楼  anhuidaxue1002014-07-25 09:35发表 [回复]
赞！
1楼  zxl10534419422014-05-28 14:03发表 [回复]
写的不错，给个赞！
lien0906
关注
  • 1
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Python + OpenCV 实现LBP特征提取的示例代码
09-19
**Python + OpenCV 实现LBP特征提取** Local Binary Pattern（局部二值模式，简称LBP）是一种在图像处理和计算机视觉领域广泛使用的纹理特征提取方法。它通过对每个像素点的周围邻域进行比较，根据邻域内像素点的...
调用opencv的LBP分类器
07-01
简单调用opencv中的lbp分类器实现人脸识别,一般来说分类训练器的xml文件路径如下:....\opencv\sources\data\lbpcascades
OpenCV——多分辨率LBP的计算方法
点云侠的博客
01-11 1322
多分辨率LBP计算的OpenCV代码实现
OpenCV之LBP算法学习
热门推荐
simon曦的博客
12-20 1万+
目录 目录 前言 LBP算法概述 LBP算法原理 原始LBP特征描述及计算方法 参考链接 前言 LBP算法概述 LBP指局部二值模式，英文全称：Local Binary Pattern，是一种用来描述图像局部特征的算子，LBP特征具有灰度不变性和旋转不变性等显著优点。LBP常应用于人脸识别和目标检测中，在OpenCV中有使用LBP特征进行人脸识别的接口，也有用LBP特征
OPENCV中的LBPH算法
2301_77444219的博客
06-14 323
LBPH（Local Binary Patterns Histograms，局部二值模式直方图）的原理主要基于LBP（Local Binary Patterns，局部二值模式）算法，并通过计算并比较图像中局部区域的LBP直方图来进行特征提取和识别。
OpenCV——LBP特征
DDsoup 24小时不打烊芜湖！
03-25 4378
LBP ( Local binary pattern) ，局部二进制模式. LBP特征的描述 原始的LBP算子定义为在3 ∗ 3 的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于等于中心像素值，则该点的位置被标记为1，否则为0。这样3 ∗ 3邻域内的8个点经比较可产生8位二进制数（通常转换为十进制数即LBP码，共256种），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。需要注意的是，LBP值是按照顺时针方向组成的二进制数。
花老湿学习OpenCV：LBP（Location Binary Pattern）特征
qq_41942564的博客
06-27 422
引言： LBP指局部二值模式，英文全称：Local Binary Pattern，是一种用来描述图像局部特征的算子，LBP特征具有灰度不变性和旋转不变性等显著优点。它是由T. Ojala, M.Pietikinen, 和 D. Harwood [1][2]在1994年提出，由于LBP特征计算简单、效果较好，因此LBP特征在计算机视觉的许多领域都得到了广泛的应用，LBP特征比较出名的应用是用在人脸...
OpenCV：LBP和HOG特征算子
あずにゃん梓喵的博客
07-31 2207
日萌社 人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新） 4.5 LBP和HOG特征算子 学习目标： 了解LBP特征的原理 了解LBP的改进算法：圆形LBP，旋转LBP和等价模式 了解HOG算法的原理 熟悉灰度图像的γ变换 了解HOG特征的提取流程 了解LBP特征的提取方法 了解HOG特征...
C/C++ opencv 计算 LBP特征 包括旋转不变 uniform 圆形邻域
m0_61674707的博客
03-29 3830
对于任意一幅512X512图像（彩色图像），编程分别实现圆形LBP、 旋转不变模式和等价模式的LBP特征提取，并把提取出来的LBP特 征进行可视化处理。
Opencv LBP特征
weixin_39354845的博客
02-15 930
一、简介 Opencv之LBP特征（算法） - 我的锅 - 博客园 LBP（Local Binary Pattern），即局部二进制模式，是一种描述图像特征像素点与各个像素点之间的灰度关系的局部特征的非参数算法，同时也是一张高效的纹理描述算法。对一个像素点以半径r画一个圈，在圈上取K个点（一般为8），这K个点的值（像素值大于中心点为1，否则为0）组成K位二进制数。此即局部二进制模式，实际中使用的是LBP特征谱的直方统计图。在旧版的Opencv里，使用CvHaarClassifierCascade函数，只
OpenCv-C++-LBP特征检测
Daker_Huang的博客
12-12 1570
什么是LBP？它是一种用来描述图像局部纹理特征的算子，英文叫做“Local Binary Pattern”，局部二值模式。 它具有旋转不变性，灰度不变性和光照强度不变性等优点。特别是光照强度不变性这一点，如果一张图片在光照很强的画面里特征物体根本无法识别，LBP就能很好的检测到物体。这一点我觉得很实用。 部分原理的话其实参考这篇文章就好，很详细，也很能懂。 参考文章：https://blog.cs...
关于 opencv 训练LBP联级分类器的傻瓜式操作
Evinxu的博客
04-13 1400
最近需要做一个联级分类器来定位图像中的目标（用车牌定位来做例子），于是选用opencv的LBP算法。关于介绍，这篇博文写的还可以 点击打开链接 实现的时候查找其他博客也遇到了很多问题，我用的是opencv3.2版本，为了以后方便查看，做下记录。下面是我使用的过程： 1：首先准备数据集。数据集与SVM类似，分为车牌图片和非车牌图片。图像为灰度图，分别放在pos和neg文件夹下。我用到的数据是pos...
LBP.zip_LBP c++_LBP opencv_lbp
09-19
标题 "LBP.zip_LBP c++_LBP opencv_lbp" 暗示了这个压缩包包含关于局部二值模式（Local Binary Pattern, LBP）的C++代码实现，以及可能利用OpenCV库进行图像处理。LBP是一种在计算机视觉领域广泛应用的纹理描述符，...
LBP.rar_ LBP opencv_ lbp_lbp_opencv LBP_opencv 滑动
09-20
OpenCV是一个强大的开源计算机视觉库，提供了多种图像处理和计算机视觉功能，包括LBP算法的实现。本文将详细介绍LBP算法的基本原理、OpenCV中的实现方式以及滑动窗口的应用。** ### 1. LBP算法基本原理 LBP算法的...
LBP.zip_OpenCV 邻域_lbp
09-23
**OpenCV中的局部二值模式（Local Binary Pattern, LBP）** 局部二值模式（LBP）是一种在图像处理和计算机视觉领域广泛使用的纹理描述符。它通过比较像素点与其周围邻域像素点的灰度差异来编码图像的局部结构信息。...
qt练习控件label控件-lineEdit控件样例代码
最新发布
07-30
qt练习控件label控件-lineEdit控件样例代码
【JCR一区级】麻雀搜索算法SSA-CNN-LSTM-Attention故障诊断分类预测【含源码 5689期】.zip
07-30
CSDN海神之光上传的全部代码均可运行，亲测可用，直接替换数据即可，适合小白； 1、代码压缩包内容 主函数：Main .m； 数据； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，可私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开除Main.m的其他m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描博主博客文章底部QQ名片； 4.1 CSDN博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作 智能优化算法-CNN-LSTM-Attention分类系列程序定制或科研合作方向： 4.4.1 遗传算法GA/蚁群算法ACO-CNN-LSTM-Attention分类 4.4.2 粒子群算法PSO/蛙跳算法SFLA-CNN-LSTM-Attention分类 4.4.3 灰狼算法GWO/狼群算法WPA-CNN-LSTM-Attention分类 4.4.4 鲸鱼算法WOA/麻雀算法SSA-CNN-LSTM-Attention分类 4.4.5 萤火虫算法FA/差分算法DE-CNN-LSTM-Attention分类
详解MATLAB Simulink通信系统建模与仿真
07-30
第1 章 MATLAB 基础与通信系统仿真 1.1 MATLAB 简介 1.2 MATLAB 程序设计 1.3 通信系统仿真 第2 章 Simulink 仿真基础 2.1 Simulink 简介 2.2 Simulink 工作环境 2.3 Simulink 仿真的基本方法 2.4 创建自己的模块库 2.5 S-函数的编写 第3 章 通信信号与系统分析 3.1 离散信号和系统 3.2 Fourier 分析 3.3 带通信号的低通等效 3.4 随机信号分析 第4 章 信道 4.1 加性高斯白噪声信道 4.2 多径衰落信道 第5 章 模拟调制 5.1 幅度调制 5.2 角度调制 第6 章 数字基带传输 6.1 概述 6.2 二进制基带信号传输 6.3 基带PAM 信号传输 6.4 带限信道的信号传输 第7 章 数字信号载波传输 7.1 概述 7.2 载波幅度调制（PAM） 7.3 载波相位调制（PSK） 7.4 正交幅度调制（QAM） 7.5 载波频率调制（FSK） 第8 章 信道编码和交织 8.1 概述 8.2 线性分组码
SCI一区】淘金算法GRO-CNN-BiLSTM-Mutilhead-Attention多变量时序预测含源码 5642.zip
07-30
CSDN海神之光上传的全部代码均可运行，亲测可用，直接替换数据即可，适合小白； 1、代码压缩包内容 主函数：Main .m； 数据； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，可私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开除Main.m的其他m文件； 步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询 如需其他服务，可私信博主或扫描博主博客文章底部QQ名片； 4.1 CSDN博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作 智能优化算法-CNN-BiLSTM-Mutilhead-Attention回归预测系列程序定制或科研合作方向： 4.4.1 遗传算法GA/蚁群算法ACO-CNN-BiLSTM-Mutilhead-Attention回归预测 4.4.2 粒子群算法PSO/蛙跳算法SFLA-CNN-BiLSTM-Mutilhead-Attention回归预测 4.4.3 灰狼算法GWO/狼群算法WPA-CNN-BiLSTM-Mutilhead-Attention回归预测 4.4.4 鲸鱼算法WOA/麻雀算法SSA-CNN-BiLSTM-Mutilhead-Attention回归预测 4.4.5 萤火虫算法FA/差分算法DE-CNN-BiLSTM-Mutilhead-Attention回归预测
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值