matlab提取特征描述子_OPENCV特征点提取算法对比

最新推荐文章于 2023-09-16 09:56:36 发布
最新推荐文章于 2023-09-16 09:56:36 发布
阅读量767 收藏 2
点赞数
文章标签： matlab提取特征描述子
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39840635/article/details/111675279
版权

7468029c12586102870dbd3f0300eefa.gif

OPENCV特征点提取算法对比

除了我们熟知的SIFT、SURF、ORB等特征点提取算法，OpenCV中还提供了十余种特征点提取算法。最近在整理以往的ppt和报告，看到其中一页ppt，发现已经忘得差不多了，就再写篇博客复习下好了，这篇博客注重对比，技术方面的内容不会太过细致，希望能有帮助。当然，文章末尾会提供这些算法OpenCV调用的实例代码。

首先，引发内容的就是下面这张ppt：(不要注意Why Surf了，当时根据具体应用场景所做的选择)左边一栏是特征点的数目，右边一栏是检测的速度，数据是在博主自己的测试集(大概四五百张图片)上测试的。

ed4737de7920198739090f5c78285373.png

SIFT

SIFT的论文在谷歌学术上单片引用超过四万次，算得上那个年代特征提取技术的里程碑了。一改以往特征点提取不稳定，特征不足的弱点，SIFT可以稳定的提取出特征点，并且对旋转平移缩放是鲁棒的。可以说是SIFT开启了鲁棒特征提取研究，下面是SIFT特征提取的主要步骤：

特征点检测：

  1. 构建尺度空间

  2. 在Dog高斯差分空间计算极值点，二次曲线插值获得亚像素精度的特征点

  3. 去除低对比度点，通过计算Hessian矩阵去除边缘响应点

特征描述：

  1. 统计特征点周围16*16区域的直方图，并选取直方图峰值作为改关键点的主方向

  2. 将坐标轴旋转为关键点的方向，保证旋转不变性，根据梯度计算128维特征描述子

SIFT的鲁棒性是有特征点检测和特征描述两个部分决定的，在这页最开始的PPT中，都是只统计了特征点检测算法，没有考虑特征描述(因为有许多算法不具备描述能力)。

这里额外解释下Dog，对不同模糊度的高斯滤波图像相减，得到的Dog，事实上就是不同尺度边缘的Laplace边缘检测，Dog计算比逐个进行Laplace滤波要快。数学推导参见Paper，在高斯滤波sigma计算时需要一定条件，才能近似的得到拉普拉斯滤波图像。

3470c6d2561334ab14c7269de84709e5.png

SURF

SURF算法可以看做是对SIFT算法的重要改进，全称Speeded-Up Robust Features，解决了SIFT计算复杂度高、耗时长的确定。SURF算法在光照和形变方面的鲁棒性要逊色于SIFT，但是带来了三倍的速度提升。

特征点检测：

  1. 计算积分图(为了加速Box滤波Harr小波的计算)

  2. 改变Box滤波器的尺度来得到不同的尺度空间

  3. 使用Hessian矩阵行列式的特征值的符号来确定极值

特征点描述：

  1. 根据像素在x，y方向上的Haar小波响应值来确定极值点方向

  2. 采用扇形区域扫描来统计得到64维或128维的直方图特征

FAST：BRISK/ORB/KAZE…

FAST是今年来最成功的特征点提取算法之一，其思想非常精妙。ORB算法、KAZE算法等都是使用FAST作为特征点检测算法，区别在于特征描述部分。

  1. 在图像中任选一点p， 假定其像素(亮度)值为 Ip

  2. 以3为半径画圆，覆盖p点周围的16个像素，如下图所示

  3. 设定阈值t，如果这周围的16个像素中有连续的n个像素的像素值都小于 Ip−t 或者有连续的n个像素都大于 Ip+t， 那么这个点就被判断为角点。 在OpenCV的实现中n取值为12(16个像素周长的 3/4).

  4. 一种更加快的改进是： 首先检测p点周围的四个点，即1， 5， 9， 12四个点中是否有三个点满足超过Ip+t， 如果不满足，则直接跳过，如果满足，则继续使用前面的算法，全部判断16个点中是否有12个满足条件。

77ebf0620126403843c54a6e1b5ab1da.png

在OpenCV中提供了一个参数，可以选取三种FAST计算方法。

Brisk、ORB、KAZE等算法都采用了FAST做特征点检测，BRIEF做特征描述，它们的不同之处比较少。

速度大致为：SIFT

ORB

ORB速度极快，ORB是SIFT和SURF之外非常好的选择，因为SIFT和SURF是有专利的，在商业软件中使用需要付费(当然，但多数开发者选择无视，但是如果你是巨头，就要避免踩雷)。ORB是采用rBRIEF进行描述的，优点就是速度快。

BRISK

BRISK算法同样是免费的，也是规避SIFT和SURF专业的好选择，同样是采用FAST检测特征点，BRIEF描述。BRISK只是在尺度空间构建的参数和BRIEF描述方式上有所不同。在BRIEF描述时采用均匀采样模式，考虑512个短距离子集，形成64bit的描述符，采用汉明距离来度量相似性。

22bc08dc7e2552b511686f4380dd862d.png

KAZE

日语“风”“かぜ”，KAZE是一种和SIFT很像的方法，今年来收到广泛关注，因为它是近年来效果最好的方法。在构建尺度空间方面，KAZE采用AOS算法来对高斯模糊的图像进行非线性扩散滤波，通过不同的进化时间t来构建非线性尺度空间(与SIFT相似，只不过sigma换成了t)。在特征点检测方面，也是采用和SIFT相似的的方式，26邻域极值点加上海森矩阵检测的方式来检测出特征点。在特征描述方面，和SURF比较相似，采用扇形区域扫描的方式确定主方向，然后对于周围区域划分成4*4的区域，然后每个区域计算4维特征向量，总共得到64维的特征向量。与前面的算法最重要的不同在于，使用了非线性扩散滤波，在滤除噪声的同时保留了边缘和特征点，不会像高斯滤波之类的算法一样无差别的模糊图像，使得特征点检测更为稳定和有效。该算法在尺度鲁棒性上要逊色与SIFT，但是在速度和稳定性方面要强于SIFT，是目前最常用的特征点提取算法。该算法和SIFT算法在时间消耗上是差不多的，可以通过精简KAZE算法来提高速度。

cc60c56bb73dae1b9330bd445607d33a.png

Dense SIFT

Dense SIFT算法没有特征点提取过程，通过稠密无差别的采集样本点，计算SIFT特征来形成整幅图片的特征描述，这种特征常常在早期目标识别使用，现在已经被淘汰。

GFTT

Good Feature To Track，正式名称是shi_tomasi角点检测算法，这种算法可以提取出大量的特征点。一般在需要大量特征点时，可以使用GFTT。

MSER

最大稳定极值区域(MSER：Maximally Stable Extremal Regions)常被用于提取图像中的斑点，是一种分水岭算法。通过阈值分割，不断提升分割阈值，连通域变化稳定的区域被称为最大稳定极值区域。

综合对比

特征点检测速度：FAST > SURF > SIFT

特征点检测数量：根据阈值调整，博主的结果是： FAST > SURF > SIFT

ed4737de7920198739090f5c78285373.png

OpenCV Code

bool CVPointLayer::Fast(vector& images, vector& disp){

vector pt;

FastFeatureDetector fast(layerparam.fast_param().thresh(), layerparam.fast_param().isnms());

for (int i = 0; i < images.size(); ++i){

pt.clear();

fast.detect(images[i].image, pt);

images[i].keypoint.insert(images[i].keypoint.begin(), pt.begin(), pt.end());

LOG(INFO) << featname << " Detected points";

}

return true;

}

bool CVPointLayer::FastX(vector& images, vector& disp){

vector pt;

int xtype = 0;

auto ftype = layerparam.fast_param().ftype();

switch (ftype)

{

case svaf::FastParamCP_FastType_T_9_16:

xtype = FastFeatureDetector::TYPE_9_16;

break;

case svaf::FastParamCP_FastType_T_7_12:

xtype = FastFeatureDetector::TYPE_7_12;

break;

case svaf::FastParamCP_FastType_T_5_8:

xtype = FastFeatureDetector::TYPE_5_8;

break;

default:

break;

}

for (int i = 0; i < images.size(); ++i){

pt.clear();

cv::FASTX(images[i].image, pt, layerparam.fast_param().thresh(), 

layerparam.fast_param().isnms(), xtype);

images[i].keypoint.insert(images[i].keypoint.begin(), pt.begin(), pt.end());

LOG(INFO) << featname << " Detected points";

}

return true;

}

bool CVPointLayer::MSER(vector& images, vector& disp){

vector pt;

auto param = layerparam.mser_param();

cv::MSER mser(param.delta(), param.min_area(), param.max_area(), 

param.max_varia(), param.min_divers(), param.max_evolution(), 

param.area_thresh(), param.min_margin(), param.edgeblur_size());

for (int i = 0; i < images.size(); ++i){

pt.clear();

mser.detect(images[i].image, pt);

images[i].keypoint.insert(images[i].keypoint.begin(), pt.begin(), pt.end());

LOG(INFO) << featname << " Detected points";

}

return true;

}

bool CVPointLayer::ORB(vector& images, vector& disp){

vector pt;

auto param = layerparam.orb_param();

auto obrtype = param.scoretype();

int otype = 0;

switch (obrtype)

{

case svaf::ORBParamCP_OBRScoreType_HARRIS_SCORE:

otype = ORB::HARRIS_SCORE;

break;

case svaf::ORBParamCP_OBRScoreType_FAST_SCORE:

otype = ORB::FAST_SCORE;

break;

default:

break;

}

cv::ORB orb(param.nfeatures(), param.scalefactor(), param.nlevels(), param.edgethresh(), 

param.firstlevel(), param.wta_k(), otype, param.patchsize());

for (int i = 0; i < images.size(); ++i){

pt.clear();

orb.detect(images[i].image, pt);

images[i].keypoint.insert(images[i].keypoint.begin(), pt.begin(), pt.end());

LOG(INFO) << featname << " Detected points";

}

return true;

}

bool CVPointLayer::Brisk(vector& images, vector& disp){

vector pt;

auto param = layerparam.brisk_param();

BRISK brisk(param.thresh(), param.octaves(), param.ptscale());

for (int i = 0; i < images.size(); ++i){

pt.clear();

brisk.detect(images[i].image, pt);

images[i].keypoint.insert(images[i].keypoint.begin(), pt.begin(), pt.end());

LOG(INFO) << featname << " Detected points";

}

return true;

}

bool CVPointLayer::Freak(vector& images, vector& disp){

vector pt;

FREAK freak;

LOG(FATAL) << "No Impliment!";

return false;

}

bool CVPointLayer::Star(vector& images, vector& disp){

vector pt;

auto param = layerparam.star_param();

cv::StarDetector star(param.maxsize(), param.response_thresh(), param.projected_thresh(), 

param.binarized_thresh(), param.nms_size());

for (int i = 0; i < images.size(); ++i){

pt.clear();

star.detect(images[i].image, pt);

images[i].keypoint.insert(images[i].keypoint.begin(), pt.begin(), pt.end());

LOG(INFO) << featname << " Detected points";

}

return true;

}

bool CVPointLayer::Sift(vector& images, vector& disp){

vector pt;

auto param = layerparam.sift_param();

SIFT sift(param.nfeatures(), param.octaves(), param.contrast_thresh(), 

param.edge_thresh(), param.sigma());

for (int i = 0; i < images.size(); ++i){

pt.clear();

sift.detect(images[i].image, pt);

images[i].keypoint.insert(images[i].keypoint.begin(), pt.begin(), pt.end());

LOG(INFO) << featname << " Detected points";

}

return true;

}

bool CVPointLayer::Surf(vector& images, vector& disp){

vector pt;

auto param = layerparam.surf_param();

SURF surf(param.hassian_thresh(), param.octaves(), param.intevals(), 

param.extended(), param.upright());

for (int i = 0; i < images.size(); ++i){

pt.clear();

surf.detect(images[i].image, pt);

images[i].keypoint.insert(images[i].keypoint.begin(), pt.begin(), pt.end());

LOG(INFO) << featname << " Detected points";

}

return true;

}

bool CVPointLayer::GFTT(vector& images, vector& disp){

vector pt;

auto param = layerparam.gftt_param();

GoodFeaturesToTrackDetector gftt(param.maxcornners(), param.quality(), param.mindist(),

param.blocksize(), param.useharris(), param.k());

for (int i = 0; i < images.size(); ++i){

pt.clear();

gftt.detect(images[i].image, pt);

images[i].keypoint.insert(images[i].keypoint.begin(), pt.begin(), pt.end());

LOG(INFO) << featname << " Detected points";

}

return true;

}

bool CVPointLayer::Harris(vector& images, vector& disp){

/*vector pt;

Ptr detector = FeatureDetector::create("HARRIS");

for (int i = 0; i < images.size(); ++i){

pt.clear();

detector->detect(images[i].image, pt);

for (int j = 0; j < pt.size(); ++j){

images[i].keypoint.insert(images[i].keypoint.begin(), pt.begin(), pt.end());

}

}

return true;*/

vector pt;

auto param = layerparam.gftt_param();

GoodFeaturesToTrackDetector gftt(param.maxcornners(), param.quality(), param.mindist(),

param.blocksize(), true, param.k());

for (int i = 0; i < images.size(); ++i){

pt.clear();

gftt.detect(images[i].image, pt);

images[i].keypoint.insert(images[i].keypoint.begin(), pt.begin(), pt.end());

LOG(INFO) << featname << " Detected points";

}

return true;

}

bool CVPointLayer::Dense(vector& images, vector& disp){

vector pt;

auto param = layerparam.dense_param();

DenseFeatureDetector dense(param.initfeatscale(), param.featscalelevel(), param.featscalemul(),

param.initxystep(), param.initbound(), param.varyxyscale(), param.varybdscale());

for (int i = 0; i < images.size(); ++i){

pt.clear();

dense.detect(images[i].image, pt);

images[i].keypoint.insert(images[i].keypoint.begin(), pt.begin(), pt.end());

LOG(INFO) << featname << " Detected points";

}

return true;

}

bool CVPointLayer::SimpleBlob(vector& images, vector& disp){

vector pt;

SimpleBlobDetector sb;

for (int i = 0; i < images.size(); ++i){

pt.clear();

sb.detect(images[i].image, pt);

images[i].keypoint.insert(images[i].keypoint.begin(), pt.begin(), pt.end());

LOG(INFO) << featname << " Detected points";

}

return true;

}

bool CVPointLayer::Grid(vector& images, vector& disp){

Ptr detector = FeatureDetector::create("Grid");

return false;

}

bool CVPointLayer::Pyramid(vector& images, vector& disp){

Ptr detector = FeatureDetector::create("Pyramid");

return false;

}

关注本公众号

可查阅更多图像知识信息，合作共享！

7d027dc9f759079a9904ffa8db18ac86.png

声明：

此资料部分转载自网络，仅供学习参考。http://www.p-chao.com/2017-06-14/opencv%E7%89%B9%E5%BE%81%E7%82%B9%E6%8F%90%E5%8F%96%E7%AE%97%E6%B3%95%E5%AF%B9%E6%AF%94/

7a0267aa46778347e383fcfff09564b4.gifa4fa95a4085ee92954121f169cd3f09f.png

weixin_39840635
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在matlab上用vibe算法完成视频前景提取.zip资源matlab opencv运动目标检测程序资料
04-21
在matlab上用vibe算法完成视频前景提取.zip资源matlab opencv运动目标检测程序资料在matlab上用vibe算法完成视频前景提取.zip资源matlab opencv运动目标检测程序资料在matlab上用vibe算法完成视频前景提取.zip资源matlab opencv运动目标检测程序资料在matlab上用vibe算法完成视频前景提取.zip资源matlab opencv运动目标检测程序资料 1.合个人学习技术做项目参考合个人学习技术做项目参考 2.适合学生做毕业设计项目参考适合学生做毕业设计项目参考 3.适合小团队开发项目技术参考适合小团队开发项目技术参考
SURF算法是SIFT 直观理解
qq_17721239的博客
10-14 151
SURF算法是SIFT算法的加速版，opencv的SURF算法在适中的条件下完成两幅图像中物体的匹配基本实现了实时处理，其快速的基础实际上只有一个——积分图像haar求导，对于它们其他方面的不同可以参考本blog的另外一篇关于SIFT的文章。 不论科研还是应用上都希望可以和人类的视觉一样通过程序自动找出两幅图像里面相同的景物，并且建立它们之间的对应，前几年才被提出的SIFT（...
opencv学习-特征匹配
wyw0000的博客
02-19 3082
opencv特征匹配算法
【计算机知识学习】OpenCV——图像特征以及匹配算法
qq_46155217的博客
07-14 1209
surf因为专利问题，一个下午纠结的恶心。上午的转换类型的代码知道了，课件给的代码可以实现了astype(int)角点特征1图像的特征大多数人都玩过拼图游戏。首先拿到完整图像的碎片，然后把这些碎片以正确的方式排列起来从而重建这幅图像。如果把拼图游戏的原理写成计算机程序，那计算机就也会玩拼图游戏了。在拼图时，我们要寻找一些唯一的特征，这些特征要适于被跟踪，容易被比较。我们在一副图像中搜索这样的特征，找到它们，而且也能在其他图像中找到这些特征，然后再把它们拼接到一起。我们的这些能力都是天生的。...
OpenCV入门学习笔记之Harris角点检测与SIFT特征匹配算法
Miracle8070
04-05 8546
1. 写在前面 这篇文章整理两个图像处理中非常重要的算法，一个是Harris角点检测算法，另一个是SIFT特征匹配算法，这两个算法本质上还是去找图像里面的关键特征点，帮助我们后续更好的理解图像以及做各种各样的分析。 由于这两个算法涉及到的数学原理会比较多，而我刚入门，所以只是从使用的角度，简单的描述到底在做什么事情，至于详细的数学细节或者推导，这里不过多整理，以掉包能完成任务为首要目的啦。 首先，先介绍Harris角点检测算法，角点在图像中是很重要的特征，信息含量很高，那么如何找到一个图像里面的角点呢？
OpenCV 之 特征匹配
fengweichangzi的博客
08-23 2724
OpenCV 中有两种特征匹配方法：暴力匹配 (Brute force matching) 和 最近邻匹配 (Nearest Neighbors matching) 它们都继承自 DescriptorMatcher，是基于特征描述符距离的匹配，根据描述符的不同，距离可以是 欧氏距离，也可以是 汉明距 1 暴力匹配 首先，任取图像 A 的一个特征描述符，计算它到图像 B 中所有特征描述符的距离；然后，将所得到的距离进行排序；最后，选择距离最短的特征，作为 A-...
人脸图像特征提取matlab代码-ML_topics:ML_topics
05-22
人脸图像特征提取matlab代码ML_topics 精选的很棒的机器学习框架，库和软件的列表（按语言）。 受到awesome-php的启发。 其他很棒的列表可以在列表中找到。 如果您想对此列表做出贡献（请这样做），请向我发送请求...
orb算法matlab代码-LoblawsDigital_ImageComparison:LoblawsDigital_ImageCompar
05-24
orb算法matlab代码Loblaws Digital-开发人员带回家进行作业-基于相似度对图像进行排名 目录 介绍 对于此任务，我的目标是制作一个工具，该工具可以比较2张图像的相似度并相应地对其进行排名。 这是一个开放式的任务...
人脸图像特征提取matlab代码-Opencv-android:在Andriod手机上使用OpenCV识别人脸
05-22
人脸图像特征提取matlab代码 android-opencv OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类...
通过图像预处理提取工件测量点，利用Matlab工具箱标定相机，opencv获取标定结果并结合立体校正.zip
最新发布
11-10
matlab开发相关算法、系统代码、设计文档、使用说明，供参考 matlab开发相关算法、系统代码、设计文档、使用说明，供参考 matlab开发相关算法、系统代码、设计文档、使用说明，供参考 matlab开发相关算法、系统代码...
OpenCV（四十六）：特征点匹配
weixin_63357306的博客
09-16 2234
特征点匹配是一种在两幅图像中寻找相互对应的特征点，并建立它们之间的对应关系的过程。具体而言，首先通过特征检测算法在两幅图像中寻找相互对应的特征点，然后，对于每个特征点，通过描述子提取算法计算其描述子，最后，使用匹配算法对两组特征点的描述子进行比较，以找到相互匹配的特征点对。在OpenCV中，特征点匹配的类主要是。是一个抽象基类，用于特征点描述子之间的匹配操作。
opencv特征点
生活如此美好，致敬每一个热爱“热爱”的人！
11-04 2405
代码在百度网盘链接里面： 1.Harris角点提取 具体原理不细讲，只是运行看一些效果，具体以后要使用到的话再回来看看。 执行效果： 通过调节阈值可以增加或减少角点提取的个数。 2.fast关键点 执行结果： 3.KAZE 执行效果： 特征点寻找所花费时间(ms):19.689875 执行效果： ./kaze1 1.png 2.png extract AKAZE cost = 0.0927352 seconds. Gtk-Message: 21:..
特征点的检测与匹配（ORB,SIFT,SURFT比较）[opencv-python]
weixin_43151193的博客
06-10 8805
特征点的检测与匹配（ORB,SIFT,SURFT比较）
图像特征提取：斑点检测
zhangxueyang1的博客
01-08 1732
链接： http://doc.okbase.net/ronny/archive/102540.html
opencv SimpleBlobDetector blob分析斑点检测原理详解
weixin_44901043的博客
03-04 6706
文章目录概念一、SimpleBlobDetector算法原理二、代码示例：运行效果： 概念 Blob是图像中具有某些共同属性(如灰度值、圆度等如下图所示属性)的一组连通像素。 一、SimpleBlobDetector算法原理 SimpleBlobDetector从图像中提取blobs的算法流程如下: 根据阈值步距“thresholdStep”递增，从最小阈值‘minThreshold“(包含)到最大阈值maxThreshold(排除)计算几个阈值，第一个阈值minThreshold，第二个是minTh.
ORB特征检测原理（含使用代码）
weixin_43046653的博客
01-31 5824
本文为原创文章，转载请注明出处：http://blog.csdn.net/yang843061497/article/details/38553765 绪论 假如我有2张美女图片，我想确认这2张图片中美女是否是同一个人。这太简单了，以我专研岛国动作片锤炼出来的火眼金睛只需轻轻扫过2张图片就可以得出结论。但是，如果我想让计算机来完成这个功能就困难重重了：再性感的美女在计算机眼中也只是0-1组成的数据...
OpenCV_轮廓的查找、表达、绘制、特性及匹配
weixin_34258078的博客
10-14 633
虽然Canny之类的边缘检测算法可以根据像素间的差异检测出轮廓边界的像素，但是它并没有将轮廓作为一个整体。下一步是要将这些边缘像素组装成轮廓。 轮廓是构成任何一个形状的边界或外形线。直方图对比和模板匹配根据色彩及色彩的分布来进行匹配，以下包括：轮廓的查找、表达方式、组织方式、绘制、特性、匹配。 首先回忆下几个结构体： 首先是图像本身的结构体：typedef struct CvMat{int ...
OpenCV 入门教程：轮廓特征和轮廓匹配
小蓝枣的博客
07-09 1506
轮廓特征和轮廓匹配是图像处理中用于描述和比较轮廓的技术。通过提取轮廓的形状、面积、周长等特征，并进行比较和匹配，我们可以实现目标识别、形状分析等应用。在本文中，我们将以轮廓特征和轮廓匹配为中心，为你介绍使用 OpenCV 进行轮廓处理的基本步骤和实例。
opencv曝光算法_OpenCV实战 | 八种目标跟踪算法
weixin_39579726的博客
12-22 543
虽然我们熟知的的质心追踪器表现得很好，但它需要我们在输入的视频上的每一帧运行一个目标探测器。对大多数环境来说，在每帧上进行检测非常耗费计算力。所以，我们想应用一种一次性的目标检测方法，然后在之后的帧上都能进行目标追踪，使这一任务更加快速、更高效。这里的问题是：OpenCV能帮我们达到这种目标追踪的目的吗？答案是肯定的。OpenCV目标追踪首先，我们会大致介绍八种建立在OpenCV上的目标跟踪算法。...
特征提取算法对比matlab实现
05-11
相比之下，Python包括了许多强大的开源库，如OpenCV、scikit-learn、pytorch等，提供了丰富的特征提取算法。这些库实现了许多Matlab中存在的算法，并且具有更高的可扩展性和灵活性，例如可以轻松地在不同的操作系统...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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