用c写的，数据经过8psk调制后，通过awgn信道，并对收到的数据进行解调和判决，最终计算了误比特率BER

提出了在完整三角晶格光子晶体中引入两线缺陷构成的耦合型波导结构。
通过分析谱带形对不同结构参数的依赖关系，在最优化的光子晶体耦合波导中，找到了一种独特的、群速近似为零的谱带。
通过对波导宽度的啁啾实现了不同频率光的色散补偿，最终得到了带宽为13.24nm、平均群折射率为28的宽带理想慢光，并进一步采用二维时域有限差分(FDTD)算法进行了验证。
数值分析结果表明，高斯脉冲在耦合波导中传输后的相对时域展宽低于10%。

基于TDOA定位的Chan算法，han算法是TDOA定位方法的一个很赞的trick。
但是很多方法一旦从学术的角度去看，就罩上了奇异的光环。
TDOA，thetimedifferncesofarrival，到达时间差。
Chan算法1是非递归双曲线方程组解法，具有解析表达式解。
其主要的特点为在测量误差服从理想高斯分布时，它的定位精度高、计算量小，并且可以通过增加基站数量来提高算法精度。
该算法的推导的前提是基于测量误差为零均值高斯随机变量，对于实际环境中误差较大的测量值，比如在有非视距误差的环境下，该算法的性能会有显著下降。
Chan算法在考虑二维的情况下，可分为只有三个BS参与定位和三个以上BS定位两种。

浅墨出品，分享精神至上~压缩包内包含四个程序的详细注释源码。
分别是用高斯滤波，均值滤波，方框滤波来模糊一张唯美图片。
最后还有一个综合示例程序，结合这三种滤波操作，通过调整轨迹条的位置，来动态得到不同的图像模糊效果，有一定的可玩性~havefun~~~博文《【OpenCV入门教程之八】线性滤波专场：方框滤波、均值滤波与高斯滤波》的配套详细注释源代码。
博文链接：http://blog.csdn.net/poem_qianmo/article/details/227455591.已将dll打包到Release文件夹下，运行Release文件夹中的exe可以直接看到运行结果.2.源代码运行需要进行OpenCV+VS开发环境的配置。
可以参看我写的配置博文：http://blog.csdn.net/poem_qianmo/article/details/198093373.写作当前代码时配套使用的OpenCV版本： 2.4.84.推荐代码结合博文一起看，学习效果更佳。
by浅墨

本书针的读者是高校学生，科研工作者，图像处理爱好者。
对于这些人群，他们往往是带着具体的问题，在苦苦寻找解决方案。
为了一个小问题就让他们去学习C++这么深奥的语言几乎是不可能的。
而Python的悄然兴起给他们带来的希望，如果说C++是tex的话，那Python的易用性相当于word。
他们可以很快的看懂本书的所有代码，并可以学着使用它们来解决自己的问题，同时也能拓展自己的视野。
别人经常说Python不够快，但是对于上面的这些读者，我相信这不是问题，现在我们日常使用的PC机已经无比强大了，而且绝大多数情况下不会用到实时处理，更不会在嵌入式设备上使用。
因此这不是问题。
本书目录：目录I走进OpenCV101关于OpenCV-Python教程102在Windows上安装OpenCV-Python113在Fedora上安装OpenCV-Python12IIOpenCV中的Gui特性134图片134.1读入图像4.2显示图像4.3保存图像4.4总结一下5视频5.1用摄像头捕获视频5.2从文件中播放视频5.3保存视频6OpenCV中的绘图函数6.1画线6.2画矩形6.3画圆6.4画椭圆6.5画多边形6.6在图片上添加文字7把鼠标当画笔7.1简单演示7.2高级一点的示例8用滑动条做调色板8.1代码示例III核心操作9图像的基础操作9.1获取并修改像素值9.2获取图像属性9.3图像ROI9.4拆分及合并图像通道9.5为图像扩边（填充）10图像上的算术运算10.1图像加法10.2图像混合10.3按位运算11程序性能检测及优化11.1使用OpenCV检测程序效率11.2OpenCV中的默认优化11.3在IPython中检测程序效率11.4更多IPython的魔法命令11.5效率优化技术12OpenCV中的数学工具IVOpenCV中的图像处理13颜色空间转换5413.1转换颜色空间13.2物体跟踪13.3怎样找到要跟踪对象的HSV值？14几何变换14.1扩展缩放14.2平移14.3旋转14.4仿射变换14.5透视变换15图像阈值15.1简单阈值15.2自适应阈值15.3Otsu’s二值化15.4Otsu’s二值化是如何工作的？16图像平滑16.1平均16.2高斯模糊16.3中值模糊16.4双边滤波17形态学转换17.1腐蚀17.2膨胀17.3开运算17.4闭运算17.5形态学梯度17.6礼帽17.7黑帽17.8形态学操作之间的关系18图像梯度18.1Sobel算子和Scharr算子8718.2Laplacian算子19Canny边缘检测19.1原理19.1.1噪声去除19.1.2计算图像梯度19.1.3非极大值抑制19.1.4滞后阈值19.2OpenCV中的Canny边界检测20图像金字塔9420.1原理21OpenCV中的轮廓22直方图23图像变换24模板匹配25Hough直线变换26Hough圆环变换27分水岭算法图像分割28使用GrabCut算法进行交互式前景提取29理解图像特征30Harris角点检测31Shi-Tomasi角点检测&适合于跟踪的图像特征32介绍SIFT(Scale-InvariantFeatureTransform)33介绍SURF(Speeded-UpRobustFeatures)34角点检测的FAST算法35BRIEF(BinaryRobustIndependentElementaryFeatures)36.1OpenCV中的ORB算法37特征匹配38使用特征匹配和单应性查找对象39Meanshift和Camshift40.3OpenCV中的Lucas-Kanade光流41背景减除23841.1基础42摄像机标定43姿势估计44对极几何（EpipolarGeometry）45立体图像中的深度地图25945.1基础46K近邻（k-NearestNeighbour）47支持向量机48K值聚类49图像去噪50图像修补51使用Haar分类器进行面部检测

以高斯塞德尔法和牛顿拉夫逊法为思想的基于Matlab的电力系统潮流计算，里面每行代码都有有详细的解释说明。

混合高斯模型，用在模式识别上面的混合高斯模型，用在模式识别上面的混合高斯模型，用在模式识别上面的混合高斯模型，用在模式识别上面的混合高斯模型，用在模式识别上面的混合高斯模型，用在模式识别上面的混合高斯模型，用在模式识别上面的混合高斯模型，用在模式识别上面的混合高斯模型，用在模式识别上面的

有高斯反解坐标代码，图幅理论面积，椭圆上梯形面积，任意梯形面积，图斑面积，Arcgis库连接，仅供参考，非商业用途。

VC6.0编写，高斯滤波、求梯度和幅值、非极大值抑制、双阈值处理、边缘连接。

很经典很实用目录：第一章连续的小波变换1．1连续小波变换的定义1．2与短时傅里叶变换的比较1．3连续小波变换的一些性质1．4小波变换的反演及对基本小波的要求1．5连续小波变换的计算机实现与快速算法1．6几种常用的基本小波1．7应用举例第二章尺度及位移均离散化的小波变换2．1离散α，γ栅格下的小波变换2．2标架(frame)概念2．3小波标架2．4应用举例第三章多分辨率分析与离散序列的小波变换3．1概述3．2多分辨率信号分解与重建的基本概念3．3尺度函数和小波函数的一些重要性质3．4由多分辨率分析引出多采样率滤波器组3．5Mallat算法实现中的一些问题3．6离散序列的小波变换3．7金字塔结构的数据编码第四章多采样率滤波器组与小波变换4．1概述4．2多采样率信号处理的一些基本关系4．3双通道多采样率滤波器的理想重建条件4．4多采样率滤波器组的两种一般表示法4．5正交镜像滤波器组与共轭正交滤波器组4．6正交滤波器组的设计4．7二项式小波滤波器组4．8对滤波器组参数与连续时间小渡变换关系的进一步讨论4．9Daubechies小波4．10IIR型的正交滤波器组和小波4．1l双正交滤波器组与双正交小波4．12滤波器组理想重建条件的时域表示式及其设计第五章二维小波变换及其用于图像处理5．1概述5．2二维图像的多分辨率分析：可分离情况5．3五株排列(quincunx)的多分辨率分析5．4应用举例5．5二维连续小波变换第六章小波变换用于表征信号的突变(瞬态)特征6．1概述6．2基本原理6．3几种检测局部性能常用的小波6．4．用小波变换极大值在多尺度上的变化来表征信号奇异点的性质6．5用二维小波变换作图像上物体边沿的检测6．6应用举例6．7用小波变换的过零点来表征信号6．8由小波变换的奇异点重建信号6．9仿真计算第七章小波包与时一频平面的铺砌7．1概述7．2小波包的定义与主要性质7．3最优小波包基的选择7．4自适应小波包分解7．5最优小波包作自适应切换时瞬态的抑制——时变滤波器组方法7．6关于时间一频率平面的自适应铺砌7．7基本小波的优化设计7．8小波变换在不同基函数间的换算第八章小波变换与分形信号的分析8．1概述8．2关于分形的简述8．31过程的小波分析8．4确定性的自相似过程8．51过程的信号处理8．6分数布朗运动与分数高斯噪声8．7小波变换用于其他分形问题简介附录1过程或FBM的产生第九章运动物体回波信号的宽带处理9．1概述9．2回波信号的宽带模型9．3针对宽带回波的小波变换处理9．4运动系统特性的多尺度表征结束语参考文献

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。