title('原影象');
subplot(2,3,2);
data=rgb2gray(data);
imhist(uint8(data));
title('1d直方圖');
title('原影象');
subplot(2,3,5);
data1=rgb2gray(data1);
imhist(uint8(data1));
title('1d直方圖');
data1=double(data1);
[m,n]=size(data1);
data=data1;
h2=zeros(50,1);
a1=1.0;
ae=1.0;
af=0.1;
vf=0.5;
v1=0.2;
w=[0.5 1 0.5 ; 1 0 1; 0.5 1 0.5];
g=w;
y1=zeros(m,n);
f=y1;
l=y1;
u=y1;
e=y1;
for k=1:50
f=exp(-af)*f+vf*conv2(y1,g,'same')+data;
l=exp(-a1)*l+v1*conv2(y1,w,'same');
u=f.*(1+b*l);
y1=double(u>e);
e=exp(-ae)*e+ve*y1;
p1=zeros(2);
for i=1:m
for j=1:n
p1(y1(i,j)+1)=p1(y1(i,j)+1)+1;
endend
p1=p1/(m*n);
tp=0.0;
if p1(1)>0&p1(2)>0
h2(k,1)=-p1(1)*log(p1(1))-p1(2)*log(p1(2));
endendsubplot(2,3,6)
p=1:50,
plot(p,h2);
value=0.0;
for i=1:50
for j=1:50
value=value+(h1(i,1)-h2(j,1))^2*1/(1+(i-j)^2);
endendss='兩幅不同大小的灰度影象特徵差異性程度大小=';
tt1=num2str(value);
ss=strcat(ss,tt1);
disp(ss);
結果：
兩幅不同大小的灰度影象特徵差異性程度大小=2.8224
加油，加油！
脈衝神經網路
1 神經資訊的編碼與解碼方法 由於脈衝神經網路的輸入輸出是脈衝序列，不能直接進行模擬量的計算，首先要考慮的問題是神經資訊的編碼與解碼機制 編碼是指將樣本資料或刺激訊號轉換為脈衝序列，而解碼是編碼的逆向過程，是將脈衝序列對映為輸出結果或特定反應 目前，研究者借鑑生物神經元對特定刺激訊號的編碼機制，除了...
脈衝神經網路SNN學習
由於事件相機原理的非同步性，同樣時空性的脈衝神經網路可能更適合基於事件相機的一系列處理。本人對神經網路了解的較少，此部落格僅作為自己學習記錄所用。目前常用的cnn rnn等神經網路是第二代神經網路，而脈衝神經網路snn屬於第三代神經網路模型，為了減小神經科學與機器學習之間的差距，snn使用最擬合生物...
脈衝神經網路 光晶元上的全光脈衝神經網路
nature昨天刊登了德國明斯特大學的一篇最新進展，研究人員在光晶元上實現了脈衝神經網路 spike neural network 先睹為快，這篇筆記主要介紹下這篇進展。研究人員將氮化矽波導與相變材料結合，實現了監督式和非監督式的機器學習，並演示了對15個畫素的模式識別。關於相變材料 phase c...