C++代码，基于阴影的车辆假设区域生成，次要实现步骤：1.加载一张路面图片；
2.加权平均灰度图；
3.路面ROI提取（用于作为二值化分割的阈值提取）；
4.对路面ROI进行canny边缘提取；
5.对路面ROI进行路面信息提取（根据canny图，将非路面信息，车，路两边的干扰信息等剔除）；
6.对步骤5中得到的图片信息进行直方图处理；
7.对得到的直方图信息进行高斯拟合，得到直方图的标准差，均值信息；
8.根据标准差和均值信息得到二值化的阈值；
9.二值化处理，得到分割后的图像，得到所需要的车底阴影。
2.加权平均灰度图；
3.路面ROI提取（用于作为二值化分割的阈值提取）；
4.对路面ROI进行canny边缘提取；
5.对路面ROI进行路面信息提取（根据canny图，将非路面信息，车，路两边的干扰信息等剔除）；
6.对步骤5中得到的图片信息进行直方图处理；
7.对得到的直方图信息进行高斯拟合，得到直方图的标准差，均值信息；
8.根据标准差和均值信息得到二值化的阈值；
9.二值化处理，得到分割后的图像，得到所需要的车底阴影。
2017/4/21 8:23:39
22.66MB
1
C++代码，基于阴影的车辆假设区域生成，次要实现步骤：1.加载一张路面图片；
2.加权平均灰度图；
3.路面ROI提取（用于作为二值化分割的阈值提取）；
4.对路面ROI进行canny边缘提取；
5.对路面ROI进行路面信息提取（根据canny图，将非路面信息，车，路两边的干扰信息等剔除）；
6.对步骤5中得到的图片信息进行直方图处理；
7.对得到的直方图信息进行高斯拟合，得到直方图的标准差，均值信息；
8.根据标准差和均值信息得到二值化的阈值；
9.二值化处理，得到分割后的图像，得到所需要的车底阴影。
2.加权平均灰度图；
3.路面ROI提取（用于作为二值化分割的阈值提取）；
4.对路面ROI进行canny边缘提取；
5.对路面ROI进行路面信息提取（根据canny图，将非路面信息，车，路两边的干扰信息等剔除）；
6.对步骤5中得到的图片信息进行直方图处理；
7.对得到的直方图信息进行高斯拟合，得到直方图的标准差，均值信息；
8.根据标准差和均值信息得到二值化的阈值；
9.二值化处理，得到分割后的图像，得到所需要的车底阴影。
2017/4/21 8:23:39
22.66MB
1
在VC下对遥感图像进行处理，内容实现比较丰富，包括：灰度与彩色图像的线性拉伸，直方图均衡，旋转缩放平移，RGB-＞HIS,HIS-＞RGB,彩色图像灰度化,W伪彩色加强，腐蚀，膨胀，开闭运算，五种植被指数，变化检测（比值法，灰度分割法，相关系数法），空间域加权融合，不加权融合，HIS融合，K均值分类附有测试图片，可对灰度图与彩色图进行处理
2018/4/4 7:51:07
3.4MB
1
在VC下对遥感图像进行处理，内容实现比较丰富，包括：灰度与彩色图像的线性拉伸，直方图均衡，旋转缩放平移，RGB-＞HIS,HIS-＞RGB,彩色图像灰度化,W伪彩色加强，腐蚀，膨胀，开闭运算，五种植被指数，变化检测（比值法，灰度分割法，相关系数法），空间域加权融合，不加权融合，HIS融合，K均值分类附有测试图片，可对灰度图与彩色图进行处理
2015/4/24 3:06:24
3.4MB
1
出版社的资源配置问题2006年“高教”杯全国赛A题国家一等奖摘要在充分理解题意的基础上，我们提出了合理的假设。
通过对问题的深入分析，我们将本题归结为规划问题，并建立了双目标整数规划模型。
模型预备阶段，我们做了大量完整、系统的工作：（1）对过去5年调查问卷分配书号数加权平均，得出各分社分配书号方案；
（2）用GM(1,1)模型（灰色预测模型）对单位书号的销售量进行预测；
（3）人力资源“瓶颈约束”模型；
（4）统计各学科分社市场占有率，限定其分配书号的数量范围，并确定强势产品；
（5）对满意度进行了权重加和处理，并构造函数，建立满意度影响下的潜在经济效益模型。
通过对问题的深入分析，我们将本题归结为规划问题，并建立了双目标整数规划模型。
模型预备阶段，我们做了大量完整、系统的工作：（1）对过去5年调查问卷分配书号数加权平均，得出各分社分配书号方案；
（2）用GM(1,1)模型（灰色预测模型）对单位书号的销售量进行预测；
（3）人力资源“瓶颈约束”模型；
（4）统计各学科分社市场占有率，限定其分配书号的数量范围，并确定强势产品；
（5）对满意度进行了权重加和处理，并构造函数，建立满意度影响下的潜在经济效益模型。
2020/9/6 17:48:06
982KB
1
出版社的资源配置问题2006年“高教”杯全国赛A题国家一等奖摘要在充分理解题意的基础上，我们提出了合理的假设。
通过对问题的深入分析，我们将本题归结为规划问题，并建立了双目标整数规划模型。
模型预备阶段，我们做了大量完整、系统的工作：（1）对过去5年调查问卷分配书号数加权平均，得出各分社分配书号方案；
（2）用GM(1,1)模型（灰色预测模型）对单位书号的销售量进行预测；
（3）人力资源“瓶颈约束”模型；
（4）统计各学科分社市场占有率，限定其分配书号的数量范围，并确定强势产品；
（5）对满意度进行了权重加和处理，并构造函数，建立满意度影响下的潜在经济效益模型。
通过对问题的深入分析，我们将本题归结为规划问题，并建立了双目标整数规划模型。
模型预备阶段，我们做了大量完整、系统的工作：（1）对过去5年调查问卷分配书号数加权平均，得出各分社分配书号方案；
（2）用GM(1,1)模型（灰色预测模型）对单位书号的销售量进行预测；
（3）人力资源“瓶颈约束”模型；
（4）统计各学科分社市场占有率，限定其分配书号的数量范围，并确定强势产品；
（5）对满意度进行了权重加和处理，并构造函数，建立满意度影响下的潜在经济效益模型。
2019/3/9 17:15:20
982KB
1
基于栅格算法，以欧氏距离变换为基础，完成了点、线、面等任意图形的加权voronoi图生成。
相关论文地址http://www.cnki.com.cn/Article/CJFDTOTAL-LZTX201201025.htm
相关论文地址http://www.cnki.com.cn/Article/CJFDTOTAL-LZTX201201025.htm
2017/1/14 5:24:30
2.42MB
1
NMF是一种新的矩阵分解算法，它将1个非负矩阵分解为左右2个非负矩阵的乘积。
由于分解前后的矩阵中仅包含非负的元素，因而原矩阵中的列向量可以解释为对左矩阵中所有列向量(称为基向量)的加权和，而权重系数为右矩阵中对应列向量中的元素。
由于分解前后的矩阵中仅包含非负的元素，因而原矩阵中的列向量可以解释为对左矩阵中所有列向量(称为基向量)的加权和，而权重系数为右矩阵中对应列向量中的元素。
2016/11/15 17:43:41
2KB
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