大三的数字图像处理课程设计，基于matlab设计了一个GUI界面，能够读取图片并处理，将检测到的缺陷类型，大小与位置标注。
2025/6/29 9:45:04
42.56MB
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
《MATLAB图像与视频处理实用案例详解》详细讲解了25个MATLAB图像与视频处理实用案例（含可运行程序），涉及雾霾去噪、答题卡自动阅卷、肺部图像分割、小波数字水印、图像检索、人脸二维码识别、车牌定位及识别、霍夫曼图像压缩、手写数字识别、英文字符文本识别、眼前节组织提取、全景图像拼接、小波图像融合、基于语音识别的音频信号模拟灯控、路面裂缝检测识别、视频运动估计追踪、Simulink图像处理等多项重要技术，涵盖了数字图像处理中几乎所有的基本模块。
,工欲善其事，必先利其器，《MATLAB图像与视频处理实用案例详解》对每个数字图像处理的知识点都提供了丰富生动的案例素材，并详细讲解了其MATLAB实验的核心程序，通过对这些示例程序的阅读理解和仿真运行，读者可以更加深刻地理解图像处理的内容，并且更加熟练地掌握MATLAB中各种函数在图像处理领域中的用法。
,工欲善其事，必先利其器，《MATLAB图像与视频处理实用案例详解》对每个数字图像处理的知识点都提供了丰富生动的案例素材，并详细讲解了其MATLAB实验的核心程序，通过对这些示例程序的阅读理解和仿真运行，读者可以更加深刻地理解图像处理的内容，并且更加熟练地掌握MATLAB中各种函数在图像处理领域中的用法。
2025/6/28 20:21:14
72.6MB
1
欢迎使用GitHub欢迎使用GitHub-数百万开发人员在该处共同开发软件。
准备开始了吗？让我们通过构建和发布您的第一个GitHubPages网站来了解所有工作原理！储存库现在，我们在您的第一个GitHub存储库中。
存储库就像是项目的文件夹或存储空间。
项目的存储库包含其所有文件，例如代码，文档，图像等。
它还跟踪您（或您的协作者）对每个文件所做的每个更改，因此，如果您犯任何错误，则始终可以返回到项目的先前版本。
该存储库包含三个重要文件：GitHub上第一个网站HTML代码，用颜色和字体装饰您的网站CSS样式表以及README文件。
它还包含一个图像文件夹，其中包含一个图像文件。
描述你的项目您当前正在查看项目的README文件。
自述文件就像您项目的封面或升降机间距。
它们以纯文本或编写，并且通常包括描述项目的段落，使用方法的指导，创作者等。
您的第一个网站Git
准备开始了吗？让我们通过构建和发布您的第一个GitHubPages网站来了解所有工作原理！储存库现在，我们在您的第一个GitHub存储库中。
存储库就像是项目的文件夹或存储空间。
项目的存储库包含其所有文件，例如代码，文档，图像等。
它还跟踪您（或您的协作者）对每个文件所做的每个更改，因此，如果您犯任何错误，则始终可以返回到项目的先前版本。
该存储库包含三个重要文件：GitHub上第一个网站HTML代码，用颜色和字体装饰您的网站CSS样式表以及README文件。
它还包含一个图像文件夹，其中包含一个图像文件。
描述你的项目您当前正在查看项目的README文件。
自述文件就像您项目的封面或升降机间距。
它们以纯文本或编写，并且通常包括描述项目的段落，使用方法的指导，创作者等。
您的第一个网站Git
2025/6/28 18:41:56
3.41MB
1
用matlab编程，直接利用C(p)作为边界点权值，对给出的2幅图像进行修复；
其中，目标区域是红色标注区域。
实验的主要任务是将红色区域去掉，并将图像恢复。
其中，目标区域是红色标注区域。
实验的主要任务是将红色区域去掉，并将图像恢复。
2025/6/27 19:43:02
199KB
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