空间金字塔匹配

本项目基于MATLAB实现了空间金字塔匹配算法用于场景分类，该项目完成于CSE573计算机视觉与图像处理课程。系统使用“词袋”模型及其“空间金字塔扩展”方法，将输入图像分类为8种场景类别，包括：艺术画廊、计算机房、花园、溜冰场、图书馆、山脉、海洋和庭院。 系统使用来自上述8个场景的1600张图像进行训练，并在160张测试图像上达到了48.125%的整体分类精度。MATLAB代码位于代码文件夹，测试和训练数据位于数据文件夹。

利用图像金字塔捕获不同尺度的特征 在金字塔层级提取SIFT局部特征 按空间区域聚合特征形成特征表示 构建空间金字塔模型，表示特征在不同空间位置上的分布

这是用Python编写的生成5级高斯金字塔和拉普拉斯金字塔的代码。通过连接这些图像来显示金字塔结构。尽管当前在OpenCV中无法直接显示金字塔图像，这段代码提供了一个可行的方法，并支持图像的2D FFT进行空间频率分析。

该matlab函数能够将输入图像按照指定层级进行金字塔分解。

金字塔算法要求输入数据向量的长度必须为 2 的整数次幂。如果长度不满足要求，可以通过在数据向量末尾添加 0 来扩展向量长度（最终长度 L 等于 2 的幂次方）。 金字塔算法的每个变换都包含两个函数。第一个函数用于数据平滑，例如求和或加权平均。第二个函数执行加权差分，用于提取数据的细节特征。这两个函数作用于数据向量 X 中的数据点对 (x2i, x2i+1)。 每一次变换都会生成两个长度为 L/2 的新数据集，分别代表输入数据的平滑版本（低频信息）和细节版本（高频信息）。这两个函数递归地作用于新生成的数据集，直到最终数据集的长度为 2。 最终迭代得到的所有数据集中选择的值，构成了数据变换的小波系数。

DeepPyramid DPM是我们CVPR 2015论文的代码，由Ross Girshick等人开发。该代码实现了可变形零件模型（DPM）在深特征金字塔的顶部，并利用潜在SVM进行训练。这一工作在技术进步的推动下完成，作者包括Ross Girshick、Forrest Iandola、Trevor Darrell和Jitendra Malik，他们提出了深度学习模型与可变形部件模型的融合理念。Deep Pyramid DPM使用MIT许可证发布。

matlab开发-高斯金字塔平面图。创建图像金字塔并进行重建。

这段Matlab代码由Soumajyoti Sarkar编写，是2014年Tagme机器学习竞赛的一部分，执行多类对象分类。为了成功运行该代码，请确保将vlfeat软件和libsvm软件添加到Matlab的PATH变量中，或者通过Matlab窗口中的File->Set Path GUI选项设置它们的路径。随后，准备训练数据集，并通过运行HistogramListGlobal_HOG.m获取所有训练图像的串联HOG直方图，然后将输出存储在HOG_model文件夹中。接着，通过运行encoder_classify.m获取所有训练图像的串联SIFT直方图，将输出存储在SIFT_model文件夹中。最后，通过运行spatial_pyramid.m获得所有训练图像的空间金字塔表示。

我为我的MSc创建了此代码，处理油藏图像数据，以了解Portilla等人提出的工作流程。尽管Portilla的原始代码运行良好，但理解每个步骤非常困难，因为缺乏注释和可理解的变量名。经过几周的研究和单独实现，我实现了所有功能，并尽可能多地引用了原始文件。我的代码和Portilla的原始代码测试结果完全相同。

提供了ICCV 2017年会上关于PyraNet用于人体姿势估计的培训和测试Matlab代码。感谢杨伟、李爽、欧阳万里、李洪生和王小刚的贡献。安装依赖项：luarocks install hdf5、luarocks install matio、luarocks install optnet（可选）、luarocks install nccl（建议用于多GPU训练）。确保在使用多GPU训练时设置LD_LIBRARY_PATH以指向libnccl.so文件。数据集准备：创建符号链接指向MPII数据集的图像目录：ln -s PATH_TO_MPII_IMAGES_DIR data/mpii/images；创建符号链接指向LSP数据集的图像目录：ln -s PATH_TO_LSP_DIR data。