提取lbp特征java代码_Matlab特征提取代码

最新推荐文章于 2022-07-06 21:16:39 发布
最新推荐文章于 2022-07-06 21:16:39 发布
阅读量153 收藏
点赞数
文章标签： 提取lbp特征java代码
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_42349005/article/details/114787233
版权

【实例简介】

MATLAB特征提取代码

【实例截图】

【核心代码】

MATLAB特征提取代码

└── MATLAB特征提取代码

├── LBP

│   ├── dist_LBPFea.m

│   ├── dist_LBPHist.m

│   ├── getLBPFea.m

│   ├── getLBPHist.m

│   ├── getMB2DIMLBPFea.m

│   ├── getMBLBPFea_33.m

│   ├── getMBLBPFea.m

│   ├── makeLBPMap.m

│   └── weighedChiDist.m

└── PCA_ORL

├── Data

│   └── ORL

│   ├── s1

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s10

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s11

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s12

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s13

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s14

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s15

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s16

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s17

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s18

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s19

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s2

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s20

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s21

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s22

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s23

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s24

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s25

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s26

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s27

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s28

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s29

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s3

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s30

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s31

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s32

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s33

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s34

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s35

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s36

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s37

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s38

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s39

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s4

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s40

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s5

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s6

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s7

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   ├── s8

│   │   ├── 10.pgm

│   │   ├── 1.pgm

│   │   ├── 2.pgm

│   │   ├── 3.pgm

│   │   ├── 4.pgm

│   │   ├── 5.pgm

│   │   ├── 6.pgm

│   │   ├── 7.pgm

│   │   ├── 8.pgm

│   │   └── 9.pgm

│   └── s9

│   ├── 10.pgm

│   ├── 1.pgm

│   ├── 2.pgm

│   ├── 3.pgm

│   ├── 4.pgm

│   ├── 5.pgm

│   ├── 6.pgm

│   ├── 7.pgm

│   ├── 8.pgm

│   └── 9.pgm

├── main.asv

├── main.m

├── Mat

│   ├── FaceMat.mat

│   ├── LowDimFaces.mat

│   └── PCA.mat

├── PCA

│   ├── approx.asv

│   ├── approx.m

│   ├── displayImage.m

│   ├── Display_image.m

│   ├── fastPCA.asv

│   ├── fastPCA.m

│   ├── visualize_pc.asv

│   └── visualize_pc.m

└── ReadFaces.m

47 directories, 423 files

华语演讲网
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
LBP特征提取的matlab代码
07-12
LBP特征提取的matlab代码，已验证。可在此基础上进行改进。
LBP特征提取 程序 代码 MATLAB版
12-26
计算机视觉 目标跟踪LBP特征提取 程序 代码 MATLAB版
图像lbp特征提取的MATLAB实现源码
05-01
提取图像的lbp特征，使用matlab实现，简单易操作 提取图像的lbp特征，使用matlab实现，简单易操作
lbp特征提取代码matlab-m3l:米3升
06-01
lbp特征提取代码matlab M3L、MCDE 用法 git clone --recursive https://github.com/crossgate9/m3l %% in matlab command window run('matlab/main.m'); run('vlfeat/toolbox/vl_setup'); 套餐 源代码包含以下图像特征提取算法： 颜色历史 本地二进制模式（LBP） 以上代码仅支持简单使用。 为了进一步提取图像特征，我们建议使用外部包来完成这项工作： 该包作为此存储库的子模块包含在内。 欲了解更多信息，请查看 VLFeat 主页。
lbp特征提取代码matlab-FBSegm:FBSegm
06-01
lbp特征提取代码matlab FBSegm 注意：代码尚未正确注释。 我正在改进注释/变量名称并处理基本文档。 此代码已在这项工作中使用： 老实说，代码旨在让我和其他几个人（即我和我）理解，并在我的工作站上工作，使用我的路径，我的操作系统（Ubuntu 17.04）和我的 MATLAB 版本（r2017a ）。 然而，我被要求分享它，因为它已被用于处理公共数据，这似乎是一个合理的要求。 需要注意的是，论文经过了几轮修改，所有的管道都改变了几次，我刚刚上传了最后一个。 因此，我正在努力让其他人（或机器人，这里没有验证码，所以请随意）理解这些东西。 尽管如此，不能保证代码可以在不同的操作系统或 Matlab 版本上运行。 对于任何问题、问题或错误，请写信给我（paolo.papale [at] imtlucca.it）。 1. 在开始工作之前，您应该执行一些初步步骤。 最重要的是：获取 fMRI 数据。 您应该在 上创建一个帐户； 然后下载 vim-1 数据集； 解压缩所有内容并将其放入包含代码的文件夹中。 然后，您应该下载计算模型并将它们放在您的路径中。 对于 Dense SIFT，我
基于MB_LBP与改进Fast PCA算法的人脸特征提取
10-17
将MB_LBP和改进的Fast PCA结合，首先使用MB_LBP算法提取人脸图像的高维特征，然后利用改进的Fast PCA对这些高维特征进行降维处理，以减少计算复杂度并保持关键信息。实验结果显示，这种方法在ORL人脸库上的表现优于...
Lbp_lbp算法_
09-30
在图像分析中，LBP通常用于提取图像的局部特征，这些特征对于识别、分类和理解图像内容非常有用。该算法的核心思想是通过比较像素点及其周围像素的灰度值，将每个像素点的邻域信息转化为二进制编码，从而形成一种...
人脸识别MATLAB代码.doc.zip
最新发布
04-19
2. **特征提取**：提取人脸图像的关键信息，常见的方法有PCA（主成分分析）、LBP（局部二值模式）、Eigenface、Fisherface等。PCA通过降维来保留图像的主要信息；LBP则专注于描述图像的局部纹理；Eigenface和...
太阳能电池板缺陷检测（代码+原图像）
10-21
此外，还可能使用色彩和纹理特征，如颜色直方图、局部二值模式(LBP)或者共生矩阵，来区分不同类型的斑点。 机器学习算法在缺陷检测中起着核心作用。可以训练支持向量机(SVM)、随机森林(RF)或深度学习模型（如卷积...
face++Lib(java & matlab)
07-30
2. **特征提取器**：如使用EigenFace、FisherFace或Local Binary Patterns (LBP) 等方法，从人脸图像中提取关键特征向量。 3. **人脸识别器**：基于提取的特征，通过比对计算相似度来识别不同人脸，可能采用欧氏距离...
基于MATLAB的LBP图片特征提取算法，人脸识别
12-23
基于MATLAB的LBP图片特征提取算法，人脸识别算法，经过测试很好用
LBP图像特征提取matlab程序
11-10
程序使用3*3窗口大小的LBP图像特征提取，一个比较简单的matlab程序。
lbp特征提取代码
06-27
利用VS2008+opencv2.3.1编写的几种经典LBP特征提取算法，包括经典LBP，统一模式LBP等。
lbp特征matlab源码-Face-Emotion-Recognition:媒体与认可作业
05-20
lbp特征matlab源码人脸表情识别实验-技术说明 武智源 1、介绍 这篇文章将介绍我们在人脸表情实验代码实现的使用方法。我们提供预训练的模型，介绍使用模型进行测试的方法；以及获得这些模型的训练方法。 本文中的所有示例代码都默认以Release为当前目录。 如果有任何问题，请联系作者。 2、环境 我们在下面的环境中成功测试了所有代码，其它版本的环境应该也可以正常使用： CentOS 7.2 Caffe MATLAB R2016b Python 2.7.5 读者可能需要根据具体环境配置编译Caffe及Caffe对MATLAB的接口、LIBSVM，编译方法请参考相关文档。 硬件方面，Caffe需要GPU支持，在训练过程中观察到了约8GB的显存占用，在测试过程中观察到了约1GB的显存占用，降低Batch Size可以显着降低显存占用。 3、测试 我们提供了预训练的模型，使用该模型可以获得我们的测试提交结果。首先，到下载模型和数据，覆盖相应的两个文件夹。然后，修改test.m脚本首段的重要参数： switch_ *:是否启用对应的模型，1或0 fusion_weight :简单带权融合中各个
基于LBP算子的图像特征提取matlab仿真【包含程序操作录像,代码中文注释】
04-28
1.版本：matlab2022A，包含仿真操作录像，代码中文注释，操作录像使用windows media player播放。 2.领域：图像特征提取 3.内容：基于LBP算子的图像特征提取matlab仿真。基于LBP算子的图像特征提取是一种有效的纹理特征提取方法，具有旋转不变性和灰度不变性等显著优点。 1.定义一个3x3的窗口，以窗口中心像素为阈值。 2.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。 3.3x3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。 4.注意事项：注意MATLAB左侧当前文件夹路径，必须是程序所在文件夹位置，具体可以参考视频录。
【纹理特征提取】基于matlab局部二值模式LBP图像纹理特征提取【含Matlab源码 1931期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
07-06 1952
获取代码方式1： 完整代码已上传我的资源：【纹理特征提取】基于matlab局部二值模式LBP图像纹理特征提取【含Matlab源码 1931期】获取代码方式2： 通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。备注： 订阅紫极神光博客付费专栏，可免费获得1份代码（有效期为订阅日起，三天内有效）；1 局部二值模式 LBP是一种用来描述图像局部纹理特征的算法,具有旋转不变性和灰度不变性等显著优点。原始的LBP是在3×3的窗口中,以中心像素点的像素值为阈值,将邻域8个像素点的值和阈值进行比较,若邻
LBP特征Matlab和C实现
蘇丶的博客
11-03 6944
LBP特征成为局部二值模式，具有旋转不变性，不受光照影响 主要分为一下几个步骤： 1.中心点邻域内8个像素，以中心点像素值为阈值，邻域内八个像素值大于中心点像素值即为1，小于中心点像素值即为0 2.周围八个像素点形成一个八位的二进制串比如11111111，即为255，00000000即为0，所以二进制串再（0，255）范围内 3.进行旋转，从左上角开始，然后按顺序进行旋转，形成八个二进制串，然后...
特征提取——LBP学习
zhufanqie的专栏
07-12 6511
LBP指局部二值模式，英文为：Local Binary Patterns。图像局部描述子，并不是一个完整的特征描述子。具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen,和 D. Harwood 在1994年提出，用于纹理特征提取。提取的特征是图像的局部的纹理特征。      http://blog.csdn.net/liulina603/art
lbp代码matlab实现,统一化LBP算子UniformLBP的MATLAB实现程序
weixin_39624071的博客
04-02 598
Function [histLBP,MatLBP]=getLBPFea(I)%计算分区图像I的LBP特征，(8，2)，uniform%%输入：I----分区图像%%返回值：MatLBP---LBP响应矩阵% histLBP---行向量，LBP直方图%获得分块图像I的大小[m n]=size(I);Rad=2;If (m<=2*rad)||(n<=2*rad)error(‘I is to...
Matlab的旋转不变lbp特征提取代码
05-26
以下是MATLAB中旋转不变LBP特征提取的代码： ```matlab function lbp_feat = rotation_invariant_lbp(img, radius, neighbors) % img: 输入的图像 % radius: LBP算子半径 % neighbors: LBP算子采样点数 % lbp_feat:...
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