Matlab相关反演程序，matlab图像处理包括数据反演以及其他图像的基础处理，打开文件夹中GUI.m直接运行即可。
采用gui界面设计，包括温度叶绿色等的反演以及bp神经网络、贝叶斯算法等图像分类，以及图像旋转等简单操作。
由于对fig使用不甚了解，所有界面均直接有代码设计完成。

Alex在2012年提出的alexnet网络结构模型引爆了神经网络的应用热潮，并赢得了2012届图像识别大赛的冠军，使得CNN成为在图像分类上的核心算法模型。

结合高光谱数据和深度学习的特点，提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。
该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；
然后利用深度卷积神经网络对输入的样本进行空间特征提取；
最后通过学习到的高级特征进行回归训练

基于K-means算法的遥感图像分类的matlab实现

仅使用numpy从头开始实现神经网络,包括反向传播公式推导过程;numpy构建全连接层、卷积层、池化层、Flatten层；
以及图像分类案例及精调网络案例等

使用TensorFlowLite在Android手机上实现图像分类非量化的demo

这是opencvsvm图像分类的整个工程代码，在VS2010下打开即可。
整个工程文件以及我的所有训练的图片存放在这里，需要的可以下载，自己在找训练图片写代码花了很多时间，下载完后自行解压，训练图片和测试图片可以从这免费下载http://download.csdn.net/detail/always2015/8944959，projectdata文件夹直接放在D盘就行，里面存放训练的图片和待测试图片，以及训练过程中生成的中间文件，现在这个下载object_classfication_end则是工程文件，我用的是vs2010打开即可，下面工程里有几个要注意的地方：1、在这个模块中使用到了c++的boost库，但是在这里有一个版本的限制。
这个模块的代码只能在boost版本1.46以上使用，这个版本以下的就不能用了，直接运行就会出错，这是最需要注意的。
因为在1.46版本以上中对比CsSVM这个类一些成员函数做了一些私有化的修改，所以在使用该类初始化对象时候需要注意。
2、我的模块所使用到的函数和产生的中间结果都是在一个categorizer类中声明的，由于不同的执行阶段中间结果有很多个，例如：训练图片聚类后所得到单词表矩阵，svm分类器的训练的结果等，中间结果的产生是相当耗时的，所以在刚开始就考虑到第一次运行时候把他以文件XML的格式保存下来，下次使用到的时候在读取。
将一个矩阵存入文本的时候可以直接用输出流的方式将一个矩阵存入，但是读取时候如果用输入流直接一个矩阵变量的形式读取，那就肯定报错，因为输入流不支持直接对矩阵的操作，所以这时候只能对矩阵的元素一个一个进行读取了。
3、在测试的时候，如果输入的图片太小，或者全为黑色，当经过特征提取和单词构造完成使用svm进行分类时候会出现错误。
经过调试代码，发现上述图片在生成该图片的单词的时候所得到的单词矩阵会是一个空矩阵，即该矩阵的行列数都为0，所以在使用svm分类器时候就出错。
所以在使用每个输入图片的单词矩阵的时候先做一个判断，如果该矩阵行列数都为0，那么该图片直接跳过。

图像分类-卷积神经网络：使用MNIST时尚数据集，构建了卷积神经网络将图像分类为10个类别之一。
使用TensorFlowFramework和Keras库实现了CNN。
在GoogleColab上以60,000张图像训练模型

《MilanSonka-ImageProcessing,AnalysisandMachineVision》是图像处理、分析和机器视觉领域的一本经典教材，第3版提供了高清英文原版的PDF版本。
这本书深入浅出地探讨了图像处理的基础理论和应用，是计算机视觉、电子工程、生物医学工程等相关专业学生和研究人员的重要参考书。
我们要理解图像处理的基本概念。
图像处理涉及到对数字图像进行各种操作，以改善其质量、提取有用信息或进行分析。
这包括图像增强、去噪、分割和复原等技术。
例如，图像增强通过调整亮度、对比度来优化视觉效果；
去噪则通过滤波器去除图像中的噪声；
图像分割将图像区域划分为不同的对象或类别，便于进一步分析。
机器视觉则是图像处理的一个重要应用领域，它使计算机能够“看”并理解图像。
在《MilanSonka》一书中，读者可以学习到如何构建和应用机器视觉系统。
这包括特征检测（如边缘检测、角点检测）、模板匹配、模式识别和物体识别等技术。
这些技术在自动驾驶、无人机导航、工业自动化和医疗诊断等领域有着广泛应用。
此外，书中还涵盖了与机器学习相关的主题，如监督学习和无监督学习，它们在图像分类、目标检测和图像识别任务中至关重要。
支持向量机（SVM）、神经网络、深度学习框架（如卷积神经网络CNN）等现代机器学习方法也是书中讨论的重点。
深度学习，尤其是深度卷积网络，已经在图像处理和计算机视觉领域取得了突破性进展，极大地推动了人脸识别、图像生成和自动驾驶等技术的发展。
书中还涉及到了图像分析，这是对图像内容进行理解和解释的过程。
这包括图像理解、场景分析和行为识别。
图像理解需要从图像中提取高级语义信息，比如识别出图像中的物体、场景和事件。
场景分析则涉及环境的理解，例如确定图像中的背景、前景和物体之间的关系。
行为识别则关注动态图像中的动作和活动，如行人跟踪和运动分析。
书中还涵盖了实际应用中的算法实现和评估方法，这对于任何从事图像处理和机器视觉研究的人来说都是必不可少的知识。
实验部分通常会介绍如何使用编程语言（如MATLAB或Python）实现所讨论的算法，并提供数据集和代码示例。
《MilanSonka-ImageProcessing,AnalysisandMachineVision》是一部全面覆盖图像处理、分析和机器视觉的教材，无论你是初学者还是经验丰富的专业人士，都能从中受益匪浅。
通过深入学习这本书，你可以掌握图像处理的基本原理，理解机器视觉的核心技术，并了解如何将这些知识应用于实际项目中。

利用matlab中fuzzy函数对图像进行分类，特征包括图像lab各个色彩通道的熵，以及saturation的熵

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。