目录第1章计算机制图实验基础知识概述 11.1实验环境AutoCAD2002介绍 11.2基本操作技巧及简单二维图形绘制基础知识介绍 31.3图形编辑基础知识介绍 71.4图层及图形特性知识介绍 121.4.1图层 121.4.2图形特性 131.4.3特性匹配 141.4.4对象特性管理器 141.5显示控制与精确绘图方法介绍 141.5.1缩放显示 141.5.2平移显示 141.5.3视图管理 141.5.4重画 151.5.5重新生成 151.5.6了解AUTOCAD系统的当前状态 151.5.7查询图形对象的几何信息 151.5.8查询本作业的全部图形对象的几何信息 151.5.9查询点的坐标 151.5.10查询两点的距离 151.5.11了解圆、封闭的多义线或多个点所围成的面积 161.6精确绘图方法介绍 161.6.1栅格捕捉 161.6.2栅格显示 161.6.3正交方式 171.6.4对象捕捉 171.6.5以对话框方式设置绘图环境 171.6.6设置用户坐标系 181.6.7坐标系图标 191.7图形标注方法介绍 191.7.1插入文本与贴图概述 191.7.2绘制单行文本 191.7.3绘制多行文本 201.7.4定义字样 201.7.5编辑文本的内容 211.7.6尺寸标注的基本概念 211.7.7长度型尺寸标注 221.7.8标注对齐型尺寸 221.7.9标注直径型尺寸 231.7.10标注半径型尺寸 231.7.11标注角度型尺寸 231.7.12尺寸变量 231.7.13尺寸式样 241.7.14尺寸编辑和修改 251.7.15图案填充 261.8装配图绘制介绍 271.8.1图块 271.8.2外部引用 291.8.3绘制装配图 311.9非图形信息的生成与管理知识介绍 321.9.1CAD提供非图形信息的意义 321.9.2属性 331.9.3访问外部数据库 351.10三维实体外型简介 421.10.1概述 421.10.2生成简单形体 431.10.3形体的布尔运算与剖切 451.10.4形体编辑 461.10.5形体显示和查询 471.10.6利用三维形体获取二维视图 491.11VisualLISP二次开发技术简介 511.12Prote2004 521.12.1Prote简介 521.13MicorsoftOfficeVisio简介 521.13.1Visio简介 521.13.2MicrosoftOfficeVisio环境 521.13.3Visio中创建图表 531.13.4移动形状和调整形状的大小 541.13.5添加文本 55第2章实验要求 602.1实验过程要求 602.2实验报告要求 602.2.1实验报告书写格式 602.2.2实验报告范例 612.3实验成绩评价 612.3.1实验成绩评价结构及比例 612.3.2考核方式 622.3.3评价标准及考核方式细则的确定 62第3章实验内容 633.1实验1熟悉AutoCAD绘图环境 633.1.1实验类型 633.1.2实验目的 633.1.4背景知识 633.1.5实验内容 633.1.6实验分析与思考 683.2实验2　简单二维图形绘图 693.2.1实验类型 693.2.2实验目的 693.2.3实验背景 693.2.４实验内容 703.2.5实验分析与思考 723.3实验3图形编辑 733.1实验类型 733.2实验目的 733.3实验背景 733.４实验内容 733.5实验步骤 743.6实验分析与思考 773.4实验4　图层、图形显示控制及精确绘图 783.4.1实验类型 783.4.2实验目的 783.4.3相关背景 783.4.4实验内容 803.4.5实验分析与思考 803.5实验5图形标注和图案填充实验 823.5.1实验类型 823.5.2实验目的 823.5.3实验背景 823.5.４实验内容 823.5.5思考与分析 873.6实验6图块及装配图绘制 883.6.1实验类型 883.6.2实验目的 883.6.3实验背景 883.6.４实验内容 883.6.5实验分析与思考 923.7实验7

植物分类是植物科学研究领域和农林业生产运营中重要的基础性工作，植物分类学是一项具有长远意义的基础性研究，其主要的分类依据是植物的外观特征，包括叶、花、枝干、树皮、果实等。
因此，花卉分类是植物分类学的重要部分，利用计算机进行花卉自动种类识别具有重要意义。
本文从常见的观赏花卉入手，探索了基于花朵数字图像对花卉进行种类识别的方法。
在己有研究的基础上，针对花朵的生长特点定义了颜色、纹理、形状等方面的特征，并使用分级SVM分类器对花卉图像进行了识别。
论文提出了分区域特征提取以及极坐标系下的灰度共生矩阵适于描述放射状生长的花朵纹理特征，对提高系统的识别准确率具有重要意义，此外，所设计的分级SVM分类器有效降低了分类器对样本种类数量的敏感性，克服了SVM分类器对大样本量识别准确率低的问题。
本文构建了基于数字图像的花卉种类识别系统，并用五十种花卉对系统进行了测试，达到了95.72%的识别准确率。
实验结果表明，本文所实现的花卉种类识别系统具有较高的识别准确率和稳定性。

本案例是利用Matlab来查找两幅图像的不同之处，利用SURF特征匹配的算法将图片对齐，之后采用形状学算法，对图像进行处理。
大家下载之后可以快速的入门，欢迎大家下载。

本文基于xilinx公司的ARTIX-7系列芯片xc7a35t和cmos摄像头ov7725以及VGA显示屏搭建了一套硬件平台用以动态目标的检测跟踪。
使用vivado软件设计了各个系统模块的功能，本系统主要由5个模块构成：ov7725视频图像数据采集模块、数据缓存模块、DDR3读写控制模块、图像数据处理模块、VGA显示模块。
本文采用VerilogHDL硬件描述语言进行编程，先完成了对摄像头ov7725的驱动，通过摄像头采集的图像转为RGB565格式通过数据缓存模块存入DDR3之中，再通过数据缓存模块取出并通过背景差分法进行动态目标的检测，在进行先腐蚀后膨胀的数学形状学处理之后，采用基于颜色特征的匹配算法进行动态目标的跟踪，并最终在VGA显示屏上显示跟踪结果。
实验结果表明，在FPGA上采用合适的算法搭建系统能实时、准确的检测并跟踪动态目标。

特征脸方法是从主成分分析(PCA)导出的一种人脸识别和描述技术。
它将包含人脸的图像区域看作一随机向量，采用K-L变换得到正交K-L基，对应其中较大特征值的基具有与人脸相似的形状，因而又被称为特征脸。
利用这些基的线性组合可以描述、表达和逼近人脸图像，所以可进行人脸识别与合成。
识别过程就是将人脸图像映射到由特征脸组成的子空间上，并比较其在特征脸空间中的位置，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是选择各种距离函数来进行度量分类实现人脸识别。

VC++数字图像处理典型算法及实现（源代码），实现了数字图像中所有用到的算法，包括：图像增强，图像还原，形状学等等

基于机器视觉的加工控制过程中，对工件上待加工点的定位是关键，其难点在于构建一种形状描述方法，既要能实现形状匹配，又要能完成定位，且满足加工过程中的精度和实时性要求。
为处理上述问题，提出了一种基于多边形拟合的形状匹配和定位算法。
该方法针对平面二维(2D)轮廓，通过对轮廓进行多边形拟合，获取轮廓上关键点，然后构建形状描述子用于形状匹配，再利用这些关键点坐标进行定位计算，获得模板轮廓到目标轮廓的变换关系。
结果表明，通过运用所提出的旋转不变性形状描述算法，可获得高精度、高实时性的形状匹配和定位算法。

可以进行裂缝检测和长宽定量计算，包含了主流的裂缝检测算法（OTSU、kapur、Niblack、迭代法区域生长）等，包括了连通域分析和形状学处理等方法。

DBSCAN聚类，是一种基于密度的聚类算法，它类似于均值漂移，DBSCAN与其他聚类算法相比有很多优点，首先，它根本不需要固定数量的簇。
它也会异常值识别为噪声，而不像均值漂移，即使数据点非常不同，也会简单地将它们分入簇中。
另外，它更抗噪音，能够很好地找到任意大小和任意形状的簇。
DBSCAN的聚类过程就是根据核心弱覆盖点来推导出最大密度相连的样本集合，首先随机寻找一个核心弱覆盖样本点，按照Minpts和Eps来推导其密度相连的点，然后再选择一个没有赋予类别的核心弱覆盖样本点，开始推导其密度相连的样本结合，不断迭代到所有的核心样本点都有对应的类别为止。
作者博客中详细介绍了DBSCAN的算法原理，可以通过文章结合学习，代码包含详细注释，只需要导入自己的聚类数据，运行代码便可以得出聚类结论与图像。

视觉导航是智能采棉机器人的基本技术之一。
棉田组成复杂，存在遮挡和照明，难以准确识别出犁沟，从而提取出导航线。
提出了一种基于水平样条分割的野外导航路径提取方法。
首先，通过OTSU阈值算法对RGBcolor.space中的彩色图像进行预处理，以分割犁沟的二值图像。
棉田图像成分分为四类：犁沟（成分包括土地，枯萎的叶子等）。
。
），棉纤维，棉的其他器官和外部区域或阻塞物。
通过利用HSV模型的色相和值的显着差异，作者将阈值分为两个步骤。
首先，他们在S通道中分割棉绒，然后在棉线区域之外的区域中在V.通道中分割犁沟。
另外，需要形状学处理以滤出小的噪声区域。
其次，水平样条用于分割二值图像。
作者检测水平样条中的连通区域，并合并由棉毛或附近大连通区域中的亮点引起的孤立的小区域，从而获得犁沟的连通区域。
第三，根据相邻导航线候选之间的距离较小的原理，以图像底部的中心为起点，并从连通域的中点开始依次选择候选点。
最后，作者对连接域的数量进行计数，并计算连接域边界线的参数变化，以确保机器人是否到达了野外或遇到障碍物。
如果没有异常，则使用minimum.squares方法由导航点拟合导航路径。

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。