我编写的一个SVM分类+任意折交叉验证的代码，并可以按照规定的c和gamma值输出识别率，是一个不错的程序，可以解决和多问题，使用非常方便，只需要改几个想用的参数就可以，由于我使用的是VS3013和OPEMCV和众多数不同，只传了一个cpp文件上，只要导入新建工程中，并配置好opencv即可，详细过程写在程序的main函数中，请大家多多指教！！

基于matlab的gamma校正代码，内有两种gamma值，比较简单

GAMMAsoftwareupdate2011安装教程以及，各种包，你！懂！得！个人安装过不下5台，绝对有效。
无效出门被车怼。
GAMMA软件是瑞士公司出品的sar影像处理软件，地球最强没有之一。
能D-inSAR，能生成dem，能sbas,能ps-insar。
通过命令式操作轻松完成各种大型任务。
。
。

动漫DIY系列工具之一ComicEnhancerProv2.52汉化版是一个很不错的小软件，通过它可以将图片批量修改；
使用方法：点击菜单“文件”---选择批量转换，可以批量修改图片漫画等；
选项：亮度、对比度、高亮度、GAMMA校正、曲线、尺寸大小缩放、JPG压缩比、红蓝互换、加粗、左旋、右旋、颠倒、锐化、柔化、彩色漫画、黑白漫画、保持原样、256级、16级灰度、8级灰度、4级态度、自动色阶、自动对比度等；
先选择要修改的图片路径，再选择增强后的漫画存放新文件的文件夹。
设置完成后直接点击全部转换就可以批量转换了；
另外还可以设置修改后的新文件的扩展名；

《精通GDI+编程》.PDF[含目录]作为新一代操作系统的图形处理内核，GDI+在WindowsXP和WindowsServer2003操作系统中扮演着极其重要的角色。
GDI+的出现，是对传统程序员的一种解脱。
本书是目前国内少有的全面介绍GDI+编程的参考书。
本书从画笔与画刷、文本与字体、区域与路径等基础知识谈起，将GDI+的技术细节一一展开。
此外，GDI+的矩阵运算、图像的编码与解码、图像色彩信息校正等深层次知识，也都能够在本书中找到详细的说明。
为了让读者更快地掌握GDI+编程，在每一章的内容中，都配有详尽的程序源代码，以强化具体的理论阐述。
本书是作者长期从事GDI+编程的经验总结，所提供的源代码具有一定的代表性。
本书适合于能够熟练使用C++语言进行程序开发的中、高级程序设计人员阅读使用。
另外，不论读者对GDI或GDI+编程熟悉与否，都可通过阅读本书全面掌握GDI+编程的每一个技术细节。
同时，对于使用其他语言如C#、VB、Delphi等进行程序开发的读者，也可以通过本书对GDI+的基本原理及高级应用有一个全面的认识。
目录第1章VisualC++.NET简介1.1VisualC++.NET的新发展1.2VisualStudio.NET集成环境的窗口对象1.3VisualC++.NET的菜单1.4本章小结第2章GDI+编程基础2.1GDI+体系2.2GDI+的新特色2.3从GDI编程到GDI+编程2.4GDI+程序的开发与项目分发2.5GDI+编程基本操作2.6本章小结第3章画笔和画刷3.1在GDI+中使用画笔3.2在GDI+中使用画刷3.3本章小结第4章文本和字体4.1在GDI+中使用字体4.2在GDI+中输出文本4.3本章小结第5章路径和域5.1在GDI+中使用路径5.2在GDI+中使用区域5.3本章小结第6章在GDI+中使用变换6.1变换的基础6.2简单的矩阵变换6.3GDI+中的坐标系统6.4绘图平面的简单矩阵变换6.5变换在文字特效处理中的运用6.6对绘图平面实施复杂的坐标变换6.7本章小结第7章GDI+的色彩变换7.1色彩变换的基础7.2色彩的几种运算方式7.3色彩的映射7.4使用色彩变换矩阵实现RGB输出通道7.5本章小结第8章图像的基本处理8.1图像、位图和图元文件8.2图像的基本操作8.3本章小结第9章调整图像的色彩信息9.1色彩校正的基础9.2启用与禁用色彩校正9.3设置不同的色彩调整对象9.4使用色彩配置文件调整色彩信息9.5图像的Gamma曲线校正9.6设置图片色彩输出通道9.7使用图片的关键色显示图片9.8GDI+对阈值的支持9.9调整图像调色板信息9.10设置色彩校正的环绕模式和颜色9.11本章小结第10章图形的编码与解码10.1图形格式的基础10.2认识编码与解码10.3获取图形文件的编码器信息10.4获取图形文件的解码器及编码参数信息10.5获取图像的属性信息10.6使用图像属性和解码器显示GIF文件10.7GDI+在多格式图像转换程序中的运用10.8本章小结第11章GDI+图形特技处理编程11.1使用GDI+实现图形的淡入淡出效果11.2GDI+在图像灰度化及伪彩色处理方面的应用11.3GDI+在图像滤镜制作方面的运用11.4GDI+在图形合成中的运用11.5本章小结第12章GDI+的使用局限与解决方法12.1GDI+在游戏程序设计中的运用12.2GDI+在屏幕抓图程序中的运用12.3本章小结附录A绘图平面类函数列表附录BGDI+画笔、画刷类函数列表附录CGDI+文本及字体类函数列表附录DGDI+图形路径类函数列表附录EGDI+图像类函数列表附录FGDI+中所有的枚举列表

The_Gamma_function

GAMMA软件ISP部份的一个阐发文档，其中搜罗使用阐发，使用步骤等

Unity在Gamma空间下实现线性渲染本shader精简了一部分项目中不需要的功能。
可以避免因为试用线性渲染导致UI的通明度叠加差异

文本挖掘tmSVM开源项目集成libSVM和liblinear包含Python和Java两种版本带PDF源码参考文档简介文本挖掘无论在学术界还是在工业界都有很广泛的应用场景。
而文本分类是文本挖掘中一个非常重要的手段与技术。
现有的分类技术都已经非常成熟，SVM、KNN、DecisionTree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。
但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡、小样本的训练、Unlabeled样本的有效利用、如何选择最佳的训练样本等。
这些问题都将导致curveofdimension、过拟合等问题。
这个开源系统的目的是集众人智慧，将文本挖掘、文本分类前沿领域效果非常好的算法实现并有效组织，形成一条完整系统将文本挖掘尤其是文本分类的过程自动化。
该系统提供了Python和Java两种版本。
主要特征该系统在封装libsvm、liblinear的基础上，又增加了特征选择、LSA特征抽取、SVM模型参数选择、libsvm格式转化模块以及一些实用的工具。
其主要特征如下：封装并完全兼容*libsvm、liblinear。
基于Chi*的featureselection见feature_selection基于LatentSemanticAnalysis的featureextraction见feature_extraction支持Binary,Tf,log(tf),Tf*Idf,tf*rf,tf*chi等多种特征权重见feature_weight文本特征向量的归一化见Normalization利用交叉验证对SVM模型参数自动选择。
见SVM_model_selection支持macro-average、micro-average、F-measure、Recall、Precision、Accuracy等多种评价指标见evaluation_measure支持多个SVM模型同时进行模型预测采用python的csc_matrix支持存储大稀疏矩阵。
引入第三方分词工具自动进行分词将文本直接转化为libsvm、liblinear所支持的格式。
使用该系统可以做什么对文本自动做SVM模型的训练。
包括Libsvm、Liblinear包的选择，分词，词典生成，特征选择，SVM参数的选优，SVM模型的训练等都可以一步完成。
利用生成的模型对未知文本做预测。
并返回预测的标签以及该类的隶属度分数。
可自动识别libsvm和liblinear的模型。
自动分析预测结果，评判模型效果。
计算预测结果的F值、召回率、准确率、Macro,Micro等指标，并会计算特定阈值、以及指定区间所有阈值下的相应指标。
分词。
对文本利用mmseg算法对文本进行分词。
特征选择。
对文本进行特征选择，选择最具代表性的词。
SVM参数的选择。
利用交叉验证方法对SVM模型的参数进行识别，可以指定搜索范围，大于大数据，会自动选择子集做粗粒度的搜索，然后再用全量数据做细粒度的搜索，直到找到最优的参数。
对libsvm会选择c,g(gamma)，对与liblinear会选择c。
对文本直接生成libsvm、liblinear的输入格式。
libsvm、liblinear以及其他诸如weka等数据挖掘软件都要求数据是具有向量格式，使用该系统可以生成这种格式：labelindex:valueSVM模型训练。
利用libsvm、liblinear对模型进行训练。
利用LSA对进行FeatureExtraction*，从而提高分类效果。
开始使用QuickStart里面提供了方便的使用指导如何使用该系统可以在命令行（Linux或cmd中）中直接使用，也可以在程序通过直接调用源程序使用。
在程序中使用。
#将TMSVM系统的路径加入到Python搜索路径中importsyssys.path.insert(0,yourPath+"\tmsvm\src")importtms#对data文件夹下的binary_seged.train文件进行训练。
tms.tms_train(“../data/binary_seged.train”)#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测tms.tms_predict(“../data/binary_seged.test”,”../model/tms.config”)#对预测的结果进行分析，评判模型的效果tms.tms_analysis(“../tms.result”)在命令行中调用#对data文件夹下的binary_seged.train文件进行训练。
$pythonauto_train.py[options]../data/binary_seged.train#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测pythonpredict.py../data/binary_seged.train../model/tms.config#对预测的结果进行分析，评判模型的效果$pythonresult_anlaysis.py../tms.result上面的调用方式都是使用系统中默认的参数，更具体、灵活的参数见程序调用接口输入格式labelvalue1[value2]其中label是定义的类标签，如果是binaryclassification，建议positive样本为1，negative样本为-1。
如果为multi-classification。
label可以是任意的整数。
其中value为文本内容。
label和value以及value1和value2之间需要用特殊字符进行分割，如”\t”模型输出模型结果会放在指定保存路径下的“model”文件夹中，里面有3个文件，默认情况下为dic.key、tms.model和tms.config。
其中dic.key为特征选择后的词典；
tms.model为训练好的SVM分类模型;tms.config为模型的配置文件，里面记录了模型训练时使用的参数。
临时文件会放在“temp”文件夹中。
里面有两个文件：tms.param和tms.train。
其中tms.param为SVM模型参数选择时所实验的参数。
tms.train是供libsvm和liblinear训练器所使用的输入格式。
源程序说明src:即该系统的源代码，提供了5个可以在Linux下可以直接调用的程序:auto_train.py、train.py、predict.py为在Linux下通过命令行调用的接口。
tms.py为在程序中调用的主文件，直接通过importtms即可调用系统的所有函数。
其他文件为程序中实现各个功能的文件。
lsa_src：LSA模型的源程序。
dependence:系统所依赖的一些包。
包括libsvm、liblinear、Pymmseg在Linux32位和64位以及windows下的支持包(dll,so文件)。
tools:提供的一些有用的工具，包括result_analysis.py等。
java：java版本的模型预测程序，项目重要更新日志2012/09/21针对linux下的bug进行修正。
重新生成win和linux版本的。
2012/03/08增加stem模块，并修正了几个Bug。
2011/11/22tmsvm正式发布。
联系方式邮箱:zhzhl202@163.comThanks本系统引用了libsvm、liblinear的包，非常感谢Chih-JenLin写出这么优秀的软件。
本系统还引用了Pymmseg，非常感谢pluskid能为mmseg写出Python下可以直接使用的程序从最初的想法萌生到第一版上线，中间试验了很多算法，最终因为效果不好删掉了很多代码，在这期间得到了许多人的帮助，非常感谢杨铮、江洋、敏知、施平等人的悉心指导。
特别感谢丽红一直以来的默默支持。

matlab实验函数，修正图像颜色fori=0:255;f=power((i+0.5)/256,1/2.2);LUT(i+1)=uint8(f*256-0.5);end

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。