提出了一种利用多个图像特征的曝光过度区域检测学习算法。
该算法利用像素的亮度和颜色特征以及光的新特征-色度和边界邻域来构造特征向量。
采用L2正则化的一次逻辑回归方法获得最优分类器mod-e1。
实验结果表明，与直接强度阈值法和其他基于亮度和色彩特征的方法相比，该算法在区域连通性方面能更好地检测出过度曝光区域。
该算法利用像素的亮度和颜色特征以及光的新特征-色度和边界邻域来构造特征向量。
采用L2正则化的一次逻辑回归方法获得最优分类器mod-e1。
实验结果表明，与直接强度阈值法和其他基于亮度和色彩特征的方法相比，该算法在区域连通性方面能更好地检测出过度曝光区域。
2024/5/20 18:55:43
1.15MB
1
MailBar是一款小巧实用的工具软件，集成定时关机、截图、邮件收发及提醒、快速隐藏窗口、锁定屏幕等实用功能。
不仅可以截取静态屏幕图像，还可以截取视频图像。
可随意调整截图的范围、大小，动态显示截图的像素大小和位置。
既可以将截图存到剪贴板，也可以另存为bmp、png、jpg或gif格式的图像文件。
支持加入截图时间及截图修改。
不仅可以截取静态屏幕图像，还可以截取视频图像。
可随意调整截图的范围、大小，动态显示截图的像素大小和位置。
既可以将截图存到剪贴板，也可以另存为bmp、png、jpg或gif格式的图像文件。
支持加入截图时间及截图修改。
2024/5/10 19:14:31
1.58MB
1
采用matlab编程，对给定的图像stone.jpg进行色彩平衡处理。
假设已知位于图像中石头上的某像素点的坐标为（148，206），并认为原来应当为灰色。
由于图像发生了色偏，该像素有明显的偏红色现象。
因此通过色彩平衡处理之后，我们期待图像中的石头能够得以恢复其灰色特征。
假设已知位于图像中石头上的某像素点的坐标为（148，206），并认为原来应当为灰色。
由于图像发生了色偏，该像素有明显的偏红色现象。
因此通过色彩平衡处理之后，我们期待图像中的石头能够得以恢复其灰色特征。
2024/5/4 21:45:37
413B
1
Android的模糊基准和展示这是一个简单的基准测试和演示应用程序，它说明了Android2016中可能发生的模糊。
值得注意的是，此应用程序使用Android的Renderscriptv8支持库进行快速模糊处理。
另外，请查看我目前正在使用的，该使此处显示的许多功能都可以在您自己的应用中轻松实现。
下载应用程式该应用程序可以在找到。
模糊基准在此视图中，选择了要进行基准测试的图像大小，模糊半径和算法。
最后，您可以通过提供迭代来确定基准结果的准确性。
请注意，某些Java实现非常慢，因此高迭代可能需要一段时间才能完成。
运行一些基准测试后，将显示结果视图，您可以在其中单击每个元素并查看每个回合长度的图表。
这也揭示了通常由堆垃圾收集污染的基准。
稍后，您可以在表视图中检查最新的基准，也可以在具有不同视图选项的图中进行比较。
基准细节基准测试包括对单个图像进行模糊处理，并在一定的像素半径内定义一定数量的回合。
每个基准测试都有几个回合的预热阶段以“预热”虚拟机（如此处推荐的那样，）。
每轮时间将以纳秒为单位（如果SDKAPI级别允许，则以毫秒为单位）。
尽管我尽力
值得注意的是，此应用程序使用Android的Renderscriptv8支持库进行快速模糊处理。
另外，请查看我目前正在使用的，该使此处显示的许多功能都可以在您自己的应用中轻松实现。
下载应用程式该应用程序可以在找到。
模糊基准在此视图中，选择了要进行基准测试的图像大小，模糊半径和算法。
最后，您可以通过提供迭代来确定基准结果的准确性。
请注意，某些Java实现非常慢，因此高迭代可能需要一段时间才能完成。
运行一些基准测试后，将显示结果视图，您可以在其中单击每个元素并查看每个回合长度的图表。
这也揭示了通常由堆垃圾收集污染的基准。
稍后，您可以在表视图中检查最新的基准，也可以在具有不同视图选项的图中进行比较。
基准细节基准测试包括对单个图像进行模糊处理，并在一定的像素半径内定义一定数量的回合。
每个基准测试都有几个回合的预热阶段以“预热”虚拟机（如此处推荐的那样，）。
每轮时间将以纳秒为单位（如果SDKAPI级别允许，则以毫秒为单位）。
尽管我尽力
2024/4/30 21:49:19
3.52MB
1
这是一款自己用像素模型建模开发的Unity3D小游戏，主角身上用铰链连了一个武器，可以通过wasd控制主角来甩动球，主角周围会随机生成怪向主角移动，武器触碰怪会触发一个出血动画，怪消失。
2024/4/25 18:22:39
1.25MB
1
均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标像素为中心的周围8个像素，构成一个滤波模板，即去掉目标像素本身），再用模板中的全体像素的平均值来代替原来像素值。
2024/4/16 14:56:15
13KB
1
为实现自然条件下棉花叶片的精准分割，提出一种粒子群（Ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）优化算法和Ｋ－ｍｅａｎｓ聚类算法混合的棉花叶片图像分割方法。
本算法将棉花叶片图像在ＲＧＢ颜色空间模式下采用二维卷积滤波进行去噪预处理，并将预处理后的彩色图像从ＲＧＢ转换到目标与背景差异性最大的Ｑ分量、超Ｇ分量、ａ＊分量；
随后在Ｋ均值聚类的一维数据空间中，利用ＰＳＯ算法向全局像素解的子空间搜寻，通过迭代搜寻得到全局最优解，确定最佳聚类中心点，改善Ｋ均值聚类的收敛效果；
最后，对像素进行聚类划分，从而得到棉花叶片分割结果。
按照不同天气条件和不同背景采集了１ ２００幅棉花叶片样本图像，对本研究算法进行测试。
试验结果表明：该算法对于晴天、阴天和雨天图像中目标（棉花叶片）分割准确率分别达到９２．３９％、９３．５５％、８８．０９％，总体平均分割精度为９１．３４％，并与传统Ｋ均值算法比较，总体平均分割精度提高了５．４１％。
分割结果表明，本研究算法能够对３种天气条件（晴天、阴天、雨天）与４种复杂背景（白地膜、黑地膜、秸秆、土壤）特征混合的棉花叶片图像实现准确分割，为棉花叶片的特征提取与病虫害识别等后续处理提供支持。
本算法将棉花叶片图像在ＲＧＢ颜色空间模式下采用二维卷积滤波进行去噪预处理，并将预处理后的彩色图像从ＲＧＢ转换到目标与背景差异性最大的Ｑ分量、超Ｇ分量、ａ＊分量；
随后在Ｋ均值聚类的一维数据空间中，利用ＰＳＯ算法向全局像素解的子空间搜寻，通过迭代搜寻得到全局最优解，确定最佳聚类中心点，改善Ｋ均值聚类的收敛效果；
最后，对像素进行聚类划分，从而得到棉花叶片分割结果。
按照不同天气条件和不同背景采集了１ ２００幅棉花叶片样本图像，对本研究算法进行测试。
试验结果表明：该算法对于晴天、阴天和雨天图像中目标（棉花叶片）分割准确率分别达到９２．３９％、９３．５５％、８８．０９％，总体平均分割精度为９１．３４％，并与传统Ｋ均值算法比较，总体平均分割精度提高了５．４１％。
分割结果表明，本研究算法能够对３种天气条件（晴天、阴天、雨天）与４种复杂背景（白地膜、黑地膜、秸秆、土壤）特征混合的棉花叶片图像实现准确分割，为棉花叶片的特征提取与病虫害识别等后续处理提供支持。
2024/4/14 16:22:47
2.56MB
1
程序利用了CatMap来做图像像素位置的置乱，之后再利用Logistic映射来做像素位置的改变。
并且还提供计算NPCR与UACI的方法。
并且还提供计算NPCR与UACI的方法。
2024/4/14 7:23:54
255KB
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