图像处理课程作业可直接运行附带评价指标：PSNRMSE对图像使用大气湍流模型进行退化，并加高斯噪声。
通过维纳滤波实现图像复原。
并与逆滤波的方法进行对比。
最后采用PSNR和MSE对维纳滤波的结果进行评价。
由于存在取整误差，就算去掉高斯噪声，逆滤波仍然难以完全还原原始图像。
通过维纳滤波实现图像复原。
并与逆滤波的方法进行对比。
最后采用PSNR和MSE对维纳滤波的结果进行评价。
由于存在取整误差，就算去掉高斯噪声，逆滤波仍然难以完全还原原始图像。
107KB
1
编写一个Matlab程序，实现基于DCT的图像变换编码。
编码过程：将原始图像划分成8×8的图像块，采用离散余弦变换（DCT）对图像块进行变换。
解码过程：对于每个图像块，使用一定比例的最低频DCT系数（被舍弃的高频DCT系数设为0）做逆离散余弦变换（IDCT），得到重构的图像块。
最后，将所有重构的图像块按顺序拼接成完整的解码图像。
分别取32、16、8个最低频DCT系数（如图1所示）进行反变换得到重构的图像，比较图像的质量，计算这三种情况下的峰值信噪比。
峰值信噪比的计算公式：PSNR=10log10(2552/MSE)其中，MSE（MeanSquaredError）指原始图像和重构图像之间的均方误差。
编码过程：将原始图像划分成8×8的图像块，采用离散余弦变换（DCT）对图像块进行变换。
解码过程：对于每个图像块，使用一定比例的最低频DCT系数（被舍弃的高频DCT系数设为0）做逆离散余弦变换（IDCT），得到重构的图像块。
最后，将所有重构的图像块按顺序拼接成完整的解码图像。
分别取32、16、8个最低频DCT系数（如图1所示）进行反变换得到重构的图像，比较图像的质量，计算这三种情况下的峰值信噪比。
峰值信噪比的计算公式：PSNR=10log10(2552/MSE)其中，MSE（MeanSquaredError）指原始图像和重构图像之间的均方误差。
2024/9/16 0:17:38
2KB
1
可直接运行，将一对一多类技术融入ＭＳＥ中，使得能处理多类问题，本程序采用的是１０类手写邮政编码数据集
2024/8/12 21:45:10
14.19MB
1
误差分析计算公式及matlab代码实现（均方误差MSE，平均绝对误差MAE，平均绝对百分比误差MAPE，均方百分比误差MSPE，均方根误差RMSE，残差平方和SSE）
2024/5/27 14:09:33
26KB
1
计算均方误差MSE信噪比SNR峰值信噪比PSNR绝对平均误差的matlab函数
2024/2/21 23:29:23
24KB
1
这是从网上整理出来的图像融合评价标准，总共有13项性能指标。
包括平均梯度，边缘强度，信息熵，灰度均值，标准差(均方差MSE)，均方根误差，峰值信噪比（psnr），空间频率(sf)，图像清晰度，互信息(mi)，结构相似性(ssim)，交叉熵(crossentropy)，相对标准差。
大家一起交流吧~
包括平均梯度，边缘强度，信息熵，灰度均值，标准差(均方差MSE)，均方根误差，峰值信噪比（psnr），空间频率(sf)，图像清晰度，互信息(mi)，结构相似性(ssim)，交叉熵(crossentropy)，相对标准差。
大家一起交流吧~
2023/12/12 2:22:24
8KB
1
1）如果单个文件解密运行quickbms.exe。
或运行quickbms_4gb_files.ex如果多个文件解密2）单击decryptmse.bms3）点击文件”。
MSE”4）选择输出文件夹
或运行quickbms_4gb_files.ex如果多个文件解密2）单击decryptmse.bms3）点击文件”。
MSE”4）选择输出文件夹
2023/11/29 22:34:22
7.28MB
1
本文件功能：用BP神经网络预测温湿度。
本次仿真，预测模型为8*8*8*1，输入数据为359天数据（一个小时测一个数据，一天数据为24）。
其中350天数据做训练样本，用来训练BP网络模型的权值和阈值，4天用来做测试样本，用来测试3天左右的温湿度预测值。
本次训练效果比较上次仿真较为准确，判定系数可以达到0.8左右（越靠近1表明仿真效果越好），预测值与实际值点状图基本围绕在主对角线左右，MSE平方误差可以达到0.01，BP网络预测输出图也可以看出预测值的变化趋势基本与期望值一致。
本次仿真存在不足：1.未修改学习率、附加动量等参量没有解决BP网络收敛慢的问题。
2.没有使用全局优化的算法，没有解决BP容易陷入极值点的问题。
这种用BP网络来进行预测的模型网上有很多，但是大多数都是预测风力发电等，可能也是因为该BP模型是40年代所提出，我是没有找到有温湿度的预测，该代码纯属自己改写的，并且运行无误，现在分享出来，让大家节省一些时间去研究更有深度的算法。
本次仿真，预测模型为8*8*8*1，输入数据为359天数据（一个小时测一个数据，一天数据为24）。
其中350天数据做训练样本，用来训练BP网络模型的权值和阈值，4天用来做测试样本，用来测试3天左右的温湿度预测值。
本次训练效果比较上次仿真较为准确，判定系数可以达到0.8左右（越靠近1表明仿真效果越好），预测值与实际值点状图基本围绕在主对角线左右，MSE平方误差可以达到0.01，BP网络预测输出图也可以看出预测值的变化趋势基本与期望值一致。
本次仿真存在不足：1.未修改学习率、附加动量等参量没有解决BP网络收敛慢的问题。
2.没有使用全局优化的算法，没有解决BP容易陷入极值点的问题。
这种用BP网络来进行预测的模型网上有很多，但是大多数都是预测风力发电等，可能也是因为该BP模型是40年代所提出，我是没有找到有温湿度的预测，该代码纯属自己改写的，并且运行无误，现在分享出来，让大家节省一些时间去研究更有深度的算法。
2023/8/2 9:25:48
2.28MB
1
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。
2024-04-09 15:03
15KB