图像匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。
其实质是在基元相似性的条件下，运用匹配准则的最佳搜索问题。

基于Python3.7实现人脸图像特征提取与对比，调用NMF算法和PCA算法。
包括源程序和结果图片。

在长流程浮选过程中,生产指标难以在线检测,造成操作不及时,影响系统的稳定运行.本文提出了一种基于多源数据的铝土矿浮选过程生产指标集成建模方法.首先结合浮选机理和现场工人经验,分析影响和反映生产指标的多源数据(生产数据和泡沫图像特征数据);然后分别建立各生产指标预测子模型和同步误差补偿子模型;最后采用信息熵和智能协调策略分别构建精矿品位和尾矿品位的集成预测模型.工业验证和工况分析表明,本文集成建模方法具有良好的预测性能和较强的泛化性,为基于生产指标的浮选过程操作参数控制和全流程优化奠定基础.

据血管序列切片的二值图像特征,利用MATLAB丰富的矩阵运算和图像处理命令,将血管三维重建过程分成半径搜索、交点定位和轴线拟合三个主要步骤,并编制通用M程序包实现从数据采集到模型渲染的全程自动计算.最后应用给出的方法完成了对100张序列切片图像的计算机三维重建.

经检验，方便可用，输入为一幅灰度图像，彩色图像可采用rgb2gray转换，输出为图像的15个特征，可广泛应用于图像特征提取，图像检索及图像质量评价领域！

一、A*搜索算法一（续）、一（续）、一（续）、A*，DijkstraDijkstraDijkstraDijkstraDijkstraDijkstra，BFSBFSBFS算法性能比较及算法性能比较及A*算法的应用算法的应用二、DijkstraDijkstraDijkstraDijkstraDijkstraDijkstra算法初探算法初探二（续）、彻底理解二（续）、彻底理解二（续）、彻底理解二（续）、彻底理解二（续）、彻底理解DijkstraDijkstraDijkstraDijkstraDijkstraDijkstra算法二（再续）、二（再续）、二（再续）、DijkstraDijkstraDijkstraDijkstraDijkstraDijkstra算法+fibonacci+fibonacci+fibonacci+fibonacci堆的逐步堆的逐步c实现二（三续）、二（三续）、二（三续）、DijkstraDijkstraDijkstraDijkstraDijkstraDijkstra算法+Heap+Heap+Heap堆的完整堆的完整c实现源码实现源码实现源码三、动态规划算法三、动态规划算法三、动态规划算法三、动态规划算法四、BFSBFSBFS和DFSDFSDFS优先搜索算法索算法五、教你透彻了解红黑树五、教你透彻了解红黑树五、教你透彻了解红黑树五、教你透彻了解红黑树五、教你透彻了解红黑树（红黑数系列六篇文章之其中两）（红黑数系列六篇文章之其中两）（红黑数系列六篇文章之其中两）（红黑数系列六篇文章之其中两）（红黑数系列六篇文章之其中两）（红黑数系列六篇文章之其中两）（红黑数系列六篇文章之其中两）（红黑数系列六篇文章之其中两）五（续）、红黑树算法的实现与剖析五（续）、红黑树算法的实现与剖析五（续）、红黑树算法的实现与剖析五（续）、红黑树算法的实现与剖析五（续）、红黑树算法的实现与剖析五（续）、红黑树算法的实现与剖析五（续）、红黑树算法的实现与剖析五（续）、红黑树算法的实现与剖析五（续）、红黑树算法的实现与剖析六、教你初步了解六、教你初步了解六、教你初步了解六、教你初步了解KMPKMPKMP算法、算法、updatedupdatedupdatedupdated（KMPKMP算法系列三篇文章）算法系列三篇文章）算法系列三篇文章）算法系列三篇文章）六（续）、从六（续）、从六（续）、从六（续）、从KMPKMP算法一步谈到算法一步谈到算法一步谈到算法一步谈到算法一步谈到BM算法六（三续）、六（三续）、六（三续）、KMPKMP算法之总结篇（必懂算法之总结篇（必懂算法之总结篇（必懂算法之总结篇（必懂算法之总结篇（必懂KMPKMP）七、遗传算法七、遗传算法七、遗传算法透析GA本质八、再谈启发式搜索算法八、再谈启发式搜索算法八、再谈启发式搜索算法八、再谈启发式搜索算法八、再谈启发式搜索算法九、图像特征提取与匹配之九、图像特征提取与匹配之九、图像特征提取与匹配之九、图像特征提取与匹配之九、图像特征提取与匹配之九、图像特征提取与匹配之SIFTSIFT算法（SIFTSIFT算法系列五篇文章）算法系列五篇文章）算法系列五篇文章）算法系列五篇文章）九（续）、九（续）、九（续）、siftsiftsift算法的编译与实现算法的编译与实现算法的编译与实现算BF和DFS优先搜索算法

原文http://dataunion.org/20584.html;http://www.open-open.com/lib/view/open1440832074794.html

为了提升自然场景图像的识别精度，结合bag-of-visualword模型，提出了一种基于核稀疏表示的图像识别方法。
该方法的图像描述部分主要利用核稀疏表示在高维度空间进行图像特征的匹配表示，识别部分采用AdaBoost分类器，对各个类别编码并在对应的核矩阵上进行划分，从而实现多类场景图像的识别能力。
实验结果表明，该方法有效的提升了图像描述的准确度与对自然场景图像识别的精度。

第1章绪论1.1合成孔径雷达概况1.2发展历程1.2.1国外SAR发展历程1.2.2我国SAR发展历程1.3发展趋势1.4主要应用1.4.1军事领域1.4.2民用领域1.5内容安排第2章合成孔径雷达2.1概述2.2SAR成像基本原理2.2.1距离向分辨率与脉冲压缩技术2.2.2方位向分辨率与合成孔径原理2.2.3点目标信号回波模型2.2.4SAR成像处理与算法2.3SAR成像的几何特性2.3.1斜距图像的比例失真2.3.2透视收缩与顶底位移2.3.3雷达阴影2.3.4雷达视差与立体观察第3章雷达目标电磁散射计算3.1概述3.1.1电磁散射基本计算方法3.1.2严格的经典解法3.1.3近似求解方法3.2等效电磁流计算3.2.1等效电磁流奇异性的消除3.2.2等效电磁流的分析与计算3.3多次散射的计算3.3.1几何/物理光学混合算法3.3.2存在多重散射的条件和遮挡关系的判断3.3.3几何光学/等效电磁流混合算法3.3.4GO/PO混合方法的应用3.4腔体结构电磁散射RCS计算3.4.1复射线近轴近似电磁散射算法3.4.2计算实例3.5复杂目标电磁散射的计算3.5.1复杂目标几何建模3.5.2复杂目标电磁散射混合计算第4章合成孔径雷达图像特征分析4.1概述4.2SAR图像辐射特征4.2.1SAR图像回波强度的概率分布4.2.2辐射分辨率4.3SAR图像噪声特征4.4SAR图像目标几何特征4.4.1点目标4.4.2线目标4.4.3面目标4.5SAR图像灰度统计特征4.5.1幅度特征4.5.2直方图特征4.5.3统计特征4.6SAR图像纹理特征4.6.1方向差分特征4.6.2灰度共现特征4.6.3小波纹理能量特征第5章合成孔径雷达图像分割5.1概述5.2阈值分割法5.2.1基于遗传算法的二维最大熵阈值分割法5.2.2二维模糊熵阈值分割法5.2.3双阈值分割算法5.3基于马尔可夫随机场模型的分割法5.3.1吉布斯MEF分割模型5.3.2吉布斯MRF分割算法5.3.3多尺度MRF图像分割5.4基于多尺度几何分析的分割法5.4.1基于Contourlet变换的SAR图像分割5.4.2基于Wedgelet变换的SAR图像分割5.5分割评价方法5.5.1分割质量评价5.5.2适用情况分析第6章合成孔径雷达图像目标分类6.1概述6.1.1分类流程6.1.2评价标准6.2概率密度函数估计6.2.1单-密度函数6.2.2混合密度函数6.2.3有限混合密度函数的逼近能力6.3参数估计6.3.1极大似然估计6.3.2EM算法6.4最小距离分类法6.5最大后验概率分类法6.6支持向量机分类法6.6.1支持向量机原理6.6.2支持向量机分类法6.7隐马尔可夫优化分类法6.7.1HMM原理6.7.2HMOC模型第7章合成孔径雷达图像目标识别7.1概述7.1.1识别方法7.1.2自动目标识别系统7.2基于电磁特性的目标识别7.3典型目标识别7.3.1道路识别7.3.2机场识别7.3.3MSTAR坦克识别第8章合成孔径雷达图像融合8.1概述8.1.1图像融合概念8.1.2融合效果评价8.2SAR图像与可见光图像融合8.2.1提升小波变换8.2.2基于提升小波变换区域统计特性的融合算法8.3SAR图像与多光谱图像融合8.3.1主成分分析方法8.3.2基于主成分分析的SAR与多光谱图像融合8.4多波段SAR图像融合8.4.1基于atrous算法方向滤波器组的多波段SAR图像灰度融合8.4.2多波段SAR图像伪彩色融合第9章合成孔径雷达图像压缩9.1概述9.1.1第一代和第二代压缩技术9.1.2多尺度方向分析技术9.2SAR图像压缩中的典型特征9.2.1纹理特征9.2.2变换域系数统计特征9.3SAR图像Non-SWMDA压缩方法9.3.1不可分离小波的提升实现9.3.2基于块分割的二叉树编码方案设计9.4SAR图像压缩效果评价9.4.1保真度准则9.4.2特征衡量标准

该压缩包在matlab2013a中运行并实现图像的特征提取，包含四大类经典特征提取方法：SIFT特征，颜色特征，形状特征，纹理特征。
每个方法文件夹内附有文档说明。
最后我给出了同步PPT解说，包含原理，步骤，及运行实例和结果。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。