imagenet-googlenet-dag网络测试代码，将编译好的matconvnet-25放进去之后可以直接调用运行，且已经放进googlenet_dag模型

人脸图像特征提取matlab代码LESH（基于局部能量的形状直方图）特征提取 用法： lesh_vect = calc_LESH（im）; 输入： im =图片或本地补丁 输出： lesh_vect = LESH特征向量（图像/补丁的16个分区为128维，而64个分区为512维。（请参阅FeatureParam.m） 适用于任何大小（最好是正方形）的图像或补丁。 对于大小大于64x64的图像，建议的分区大小w为8（512像素矢量）。 在大小为32x32的补丁中，分区大小应更改为4（以产生128个暗淡矢量） 有许多参数可以针对不同的应用进行调整。 可以对FeatureParam.m文件进行修改以更改例如GABOR过滤器的比例数和方向。 可以更改部分大小以产生更长的向量，反之亦然，更多的粗糙部分或更多的精细部分可能会影响特征向量的区分质量。 推荐的设置为8x8（64）分区大小（512维矢量），并为GABOR滤波器组设置5个比例和8个方向。 请注意： 此更新的优化版本不包括本文所述的高斯加权。 通过当前的优化，我们发现它对一般形状的描述效果更好。 致谢：该代码使用了Peter kovesi

用matlab提取图像的颜色特征 边界特征

提出了一种基于二进制十字对角纹理矩阵的煤岩图像特征提取与识别方法。该方法首先提取煤岩图像的二进制十字对角纹理矩阵,然后利用二进制十字对角纹理矩阵的角二阶矩能量、相关性、方差、逆差矩、熵、和熵、差熵、和均值、对比度、惯性矩及相关信息测度构造煤岩图像的特征向量,最后结合稀疏表示进行煤岩图像分类识别。实验结果表明,与基于十字对角纹理矩阵的图像特征提取与识别方法相比,该方法具有更好的煤岩识别效果,平均识别率达94.38%,且单幅图像特征提取时间大幅降低,提高了煤岩识别的实时性。

【3】数字图像&特征提取.zip

基于深度学习的图像特征提取的训练方法主要采用Matlab编程实现相应的算法

最新开题报告图像特征提取

基于python的图像特征提取算法SIFT

图像特征提取与分析 图像特征及特征提取的基本概念 常见的图像特征提取与描述方法，如颜色特征、纹理特征和几何形状特征提取与描述方法

深度学习是当前人工智能领域广泛使用的一种机器学习方法.深度学习对数据的高度依赖性使得数据需要处理的维度剧增，极大地影响了计算效率和数据分类性能.本文以数据降维为研究目标，对深度学习中的各种数据降维方法进行分析.在此基础上，以Caltech 101图像数据集为实验对象，采用VGG-16深度卷积神经网络进行图像的特征提取，以PCA主成分分析方法为例来实现高维图像特征数据的降维处理.在实验阶段，采用欧氏距离作为相似性度量来检验经过降维处理后的精度指标.实验证明：当提取VGG-16神经网络fc3层的4096维特征后，使用PCA法将数据维度降至64维，依然能够保持较高的特征信息.