利用OpenCV查找检索并绘制最大轮廓的C++代码示例，概况可参考博客：https://blog.csdn.net/didi_ya/article/details/113863388
2021/3/4 22:31:41
1KB
1
杂点的处理杂点就是测量错误的点（不是噪声），是无效的点，放大后就看得出、很明显地离开零件表面，孤立的点。
譬如，激光扫描仪生成的图像里就比较多杂点，散布在图像四周，轮廓边缘外尤其多；
而CMM的杂点通常较少，或因为零件表面很粗糙、很蹩脚，或出现在测量沟、台、孔处，或因测量时的抖动引起。
对这样的点，一般用手工或使用分离点（DisconnectedComponents）、轮廓（Outliers）将其选择后再删除
譬如，激光扫描仪生成的图像里就比较多杂点，散布在图像四周，轮廓边缘外尤其多；
而CMM的杂点通常较少，或因为零件表面很粗糙、很蹩脚，或出现在测量沟、台、孔处，或因测量时的抖动引起。
对这样的点，一般用手工或使用分离点（DisconnectedComponents）、轮廓（Outliers）将其选择后再删除
2018/4/26 3:08:06
566KB
1
为了简单，没有采用doc-view模式，采用基于对话框方式处理代码放入单独的一个类中，方便大家复用。
大部分地方有正文方便阅读。
大部分地方有正文方便阅读。
2021/1/9 6:54:11
1.82MB
1
Echarts官网的地图不再提供下载，从GitHub上可以下载全国和省市地图，但没有单独的地市和区县地区，资源中提供的内容是全国各地市的地图，可以单独显示地市，并显示区县轮廓。
下载需知：1、资源中只有地市地图，没有全国和省地图，如果需要本人从GitHub搜索echarts到map目录下载。
2、资源中只有json格式地图，没有js格式。
下载需知：1、资源中只有地市地图，没有全国和省地图，如果需要本人从GitHub搜索echarts到map目录下载。
2、资源中只有json格式地图，没有js格式。
2017/8/17 22:01:04
1.88MB
1
本资源主要分为三个部分：车牌定位字符分割字符识别，每个部分都可单独运行。
车牌定位采用数学形状学和颜色特征相结合的方法。
首先对图片进行开闭运算、轮廓检测等数学形状学操作突出车牌区域，然后依据车牌的形状特征去除部分干扰区域，并利用仿射变换对可疑车牌区域进行倾斜矫正，最后根据车牌颜色特征选取最终区域，同时确定车牌的颜色。
字符分割基于投影法，利用二值化图像像素的分布直方图进行分析。
其中水平投影确定字符区域并去除上下边框，垂直投影找出相邻字符的分界点，并通过适当算法组合分离的汉字和去除车牌上的分隔点、边缘等干扰；
字符识别基于keras框架，首先搭建卷积神经网络对训练集进行训练，准确率达到97.87%，然后利用训练好的模型对分割下的字符逐一进行识别，最终组成车牌号码，实现车牌识别的目标。
车牌定位采用数学形状学和颜色特征相结合的方法。
首先对图片进行开闭运算、轮廓检测等数学形状学操作突出车牌区域，然后依据车牌的形状特征去除部分干扰区域，并利用仿射变换对可疑车牌区域进行倾斜矫正，最后根据车牌颜色特征选取最终区域，同时确定车牌的颜色。
字符分割基于投影法，利用二值化图像像素的分布直方图进行分析。
其中水平投影确定字符区域并去除上下边框，垂直投影找出相邻字符的分界点，并通过适当算法组合分离的汉字和去除车牌上的分隔点、边缘等干扰；
字符识别基于keras框架，首先搭建卷积神经网络对训练集进行训练，准确率达到97.87%，然后利用训练好的模型对分割下的字符逐一进行识别，最终组成车牌号码，实现车牌识别的目标。
2016/3/27 9:11:01
47.82MB
1
基本思路：微分方程求解，**用邻近的像素替换那些坏标记，使其看起来像是邻居**。
假设图像里的一个区域要修复。
算法从这个区域的边界开始，逐步地进入区域，把边界内的所有东西填充上。
它取要修复的部分周围的一个像素周围的一小片邻居。
这个像素被周围已知的像素的标准加权和替换掉。
选择权重是很重要的。
要修复的点周围像素的权重较高。
和正常边界近的，还有在边界轮廓上的像素的权重较高。
当像素被修复以后，它会通过快速匹配方法($FMM$)移动到最近的像素。
$FMM$保证那些已知像素周围的像素首先被修复，所以这个就像人工启发式的操作一样。
$OpenCV$提供了两种算法。
两者都可以通过相同的函数访问，$cv2.inpaint（）$。
第一种算法基于$AlexandruTelea$于2004年发表的“基于快速行进方法的图像修复技术”。
它基于快速行进方法。
考虑图像中要修复的区域。
算法从该区域的边界开始，然后进入区域内，逐步填充边界中的所有内容。
它需要在邻近的像素周围的一个小邻域进行修复。
该像素由邻居中所有已知像素的归一化加权和代替。
选择权重是一个重要的问题。
对于靠近该点的那些像素，靠近边界的法线和位
假设图像里的一个区域要修复。
算法从这个区域的边界开始，逐步地进入区域，把边界内的所有东西填充上。
它取要修复的部分周围的一个像素周围的一小片邻居。
这个像素被周围已知的像素的标准加权和替换掉。
选择权重是很重要的。
要修复的点周围像素的权重较高。
和正常边界近的，还有在边界轮廓上的像素的权重较高。
当像素被修复以后，它会通过快速匹配方法($FMM$)移动到最近的像素。
$FMM$保证那些已知像素周围的像素首先被修复，所以这个就像人工启发式的操作一样。
$OpenCV$提供了两种算法。
两者都可以通过相同的函数访问，$cv2.inpaint（）$。
第一种算法基于$AlexandruTelea$于2004年发表的“基于快速行进方法的图像修复技术”。
它基于快速行进方法。
考虑图像中要修复的区域。
算法从该区域的边界开始，然后进入区域内，逐步填充边界中的所有内容。
它需要在邻近的像素周围的一个小邻域进行修复。
该像素由邻居中所有已知像素的归一化加权和代替。
选择权重是一个重要的问题。
对于靠近该点的那些像素，靠近边界的法线和位
2021/2/6 11:52:54
686B
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