HOG特征提取

体素体积的三维特征提取，用3D Voxel HOG搞定挺方便的。它是从 Dalal 和 Triggs 那个经典的 HOG 算法演变来的，不过用的是体素，不是像素。换句话说，二维 HOG 进化到三维了，适合体数据，比如医学影像或者 3D 建模。 3D VHOG的亮点是对局部结构的能力比较强，检测人脸、边缘、尖点这些特征还挺准。你可以拿它做风险，比如检测那些看起来伤人的部位，也可以用在立体图像的人脸识别上，灵活得。 实现方式比较纯粹，Matlab写的，结构清晰，适合拿来做二次开发或者改造。你要是搞过HOG，上手也不难，基本套路都差不多。 顺手推荐几个相关的资源，比如3D 体素邻域索引、体素光传播模

我们使用HOG、CN和ResNet-50作为特征提取工具，并参考ECO进行代码模块化。LSDCF跟踪器结合低秩和稀疏判别相关过滤器，适用于粗糙到精细的视觉对象跟踪。安装依赖于MatConvNet和PDollar工具箱，支持Ubuntu 14.04 LTS和Windows 10操作系统。

eemd 分解的信号思路挺有意思的，不靠预设函数，直接从数据本身入手，能把复杂信号拆成一组组简单成分（IMF），每个都像是信号的‘基因片段’。不过 EMD 容易“串味”，高频低频混在一起。EEMD 就聪明多了，往信号里加点噪声，多做几遍 EMD，再平均一下，噪声反而帮忙解开了信号结构，听起来有点反直觉，但效果还不错。 蛮适合那种非线性、非平稳的信号，比如机械故障、脑电图、地震波啥的。原理不复杂，代码也比较直观。你只要设好Nstd和NE，标准化下数据，循环加噪+EMD 分解+平均就搞定了。每轮分解的IMF都会累加到结果矩阵里，一平均，信号特征就清清楚楚了。 实现上你可以用MATLAB或者Pyth

该工具允许从任何预训练的神经网络中提取图像特征，并提供功能：1. 数据加载和存储；2. 特征提取和规范化；3. 自定义模型特征管理。应用于机器学习和图像处理领域。

根据《基于Matlab实现的指纹图像细节特征提取》一文，编写了这个程序。

pymfe (Python 元特征提取器) 为 Python 环境提供了一套全面的元特征提取工具。该软件包基于最新研究成果，囊括了众多前沿元特征，并采用系统化的提取架构，确保生成可靠的元特征集。pymfe 遵循最新的元特征形式化标准，致力于提高元学习 (MtL) 的可重复性。 使用 pymfe，您可以灵活选择不同的度量和汇总函数，自定义超参数，并自动跟踪提取时间。此外，它还支持从特定模型中提取元特征，甚至可以通过引导程序获取置信区间。更多强大功能，敬请参阅官方文档。 元特征在元学习领域中用于描述数据集特征和/或其与算法偏差的关系。

用于纹理检索的 LOSIB 方法挺有意思的，尤其是和像LBP、小波特征这些经典符搭配用，效果还不错。你下载的压缩包里有两个核心文件：getLosib.m 是主函数，LOSIBExample.m 是调用示例，外加三张测试图像，方便你直接跑通。 LOSIB 的思路其实也蛮接地气的，简单说就是在局部区域里挖掘方向统计特征，跟传统的直方图方法有点像，但它在方向性这块儿做了增强。适合用在纹理分类或图像检索任务里，尤其那种纹理结构比较的数据集，用起来挺顺的。 如果你本来就用过Gabor 小波、GLCM或者LBP，那这个 LOSIB 算是个不错的补充，也容易集成。代码是 Matlab 写的，结构清晰，函数调

MATLAB 里的 SIFT 源码，有点意思。压缩包里是完整的 SIFT 实现，从高斯金字塔到关键点匹配，结构还挺清晰。你要是刚开始接触图像特征提取，这份代码挺适合上手的，关键点检测的流程写得比较细，注释也还算清楚。整体逻辑是按照论文一步步来的，理解之后，自己拓展也方便。

本算法实现图像和视频的局部二值模式（LBP）特征提取，适用于对图像和视频进行内容描述。

matlab代码用于PCA特征提取