使用matlab实现DPCM编码和游长编码。
DPCM编码的量化公式采取书中的公式，对于二值图像效果不佳。
课程实验，仅供参考。
内附实验报告。
DPCM编码的量化公式采取书中的公式，对于二值图像效果不佳。
课程实验，仅供参考。
内附实验报告。
2025/8/6 15:31:07
674KB
1
JBIG是一种无损图像的压缩标准，JBIG(JointBi-levelImageExpertsGroup，联合二值图像专家组)是发布二值图像编码标准的专家组。
在官方来说，JBIG是ISO/IECJTC1SC29工作组1，这个工作组也负责JPEG标准，它是一套压缩算法，用来产生Web浏览器支持的以及典型地用于复杂图像(例如照片)的图像文件。
在官方来说，JBIG是ISO/IECJTC1SC29工作组1，这个工作组也负责JPEG标准，它是一套压缩算法，用来产生Web浏览器支持的以及典型地用于复杂图像(例如照片)的图像文件。
2025/8/3 16:09:24
69KB
1
1.首先单击载入图像菜单项（载入背景和前景图像）,图像在image文件夹下面。
2.然后单击车辆提取菜单项，依次进行图像做差、二值化、开运算、图像去噪、图像填充处理。
3.再单击轮廓提取菜单项，提取车辆轮廓。
4.最后单击车型识别菜单项，对车辆进行识别。
2.然后单击车辆提取菜单项，依次进行图像做差、二值化、开运算、图像去噪、图像填充处理。
3.再单击轮廓提取菜单项，提取车辆轮廓。
4.最后单击车型识别菜单项，对车辆进行识别。
2025/7/4 13:07:38
3.23MB
1
针对高光谱图像特征利用不足和训练样本难以获取的问题,提出了一种具有多特征和改进堆栈稀疏自编码网络的高光谱图像分类算法。
采用流形学习获得高光谱图像的低维数据结构,并提取高光谱图像的光谱特征、具有空间信息的局部二值模式(LBP)特征及拓展多属性剖面(EMAP)特征。
利用主动学习查询特征性强的未标记样本并将其标记,利用融合空谱联合信息的样本训练堆栈主动稀疏自编码神经网络并用Softmax分类器对其分类。
Indianpines数据集的总体分类精度达到98.14%,PaviaU数据集总体分类精度达到97.24%。
实验结果表明,该算法分类精度高,边界点分类效果更好。
采用流形学习获得高光谱图像的低维数据结构,并提取高光谱图像的光谱特征、具有空间信息的局部二值模式(LBP)特征及拓展多属性剖面(EMAP)特征。
利用主动学习查询特征性强的未标记样本并将其标记,利用融合空谱联合信息的样本训练堆栈主动稀疏自编码神经网络并用Softmax分类器对其分类。
Indianpines数据集的总体分类精度达到98.14%,PaviaU数据集总体分类精度达到97.24%。
实验结果表明,该算法分类精度高,边界点分类效果更好。
2025/6/29 4:53:23
12.88MB
1
UI设计包括界面设计、菜单栏布局、进度条、结果展示和图片展示区域划分几个主要任务。
图像预处理包括图像的灰度化、二值化、反色处理、图形锐化、数字分割、归一化等主要任务。
特征提取为使用不同的特征提取方法，对于预处理过的图像，进行数字特征提取。
图像识别是对于数字图像，将特征提取出的数字矩阵数组，采用不同的识别方法，一个个地识别出他们对应的数字，最终显示在界面。
图像预处理包括图像的灰度化、二值化、反色处理、图形锐化、数字分割、归一化等主要任务。
特征提取为使用不同的特征提取方法，对于预处理过的图像，进行数字特征提取。
图像识别是对于数字图像，将特征提取出的数字矩阵数组，采用不同的识别方法，一个个地识别出他们对应的数字，最终显示在界面。
2025/6/24 19:37:25
206.13MB
1
Matlab对图像进行二值化处理，并提取图像的轮廓以及其数据坐标，自动获取而不是通过ginput手动拾取，亲测有效！！！
2025/6/16 17:09:03
526B
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