Kohonen神经网络算法工作机理为：网络学习过程中，当样本输入网络时，竞争层上的神经元计算输入样本与竞争层神经元权值之间的欧几里德距离，距离最小的神经元为获胜神经元。
调整获胜神经元和相邻神经元权值，使获得神经元及周边权值靠近该输入样本。
通过反复训练，最终各神经元的连接权值具有一定的分布，该分布把数据之间的相似性组织到代表各类的神经元上，使同类神经元具有相近的权系数，不同类的神经元权系数差别明显。
需要注意的是，在学习的过程中，权值修改学习速率和神经元领域均在不断较少，从而使同类神经元逐渐集中。

第三届魔镜杯智能客服问题相似性算法设计第12名解决方案

集成好的C++矩阵运算库，与MATLAB中的矩阵操作具有极大的相似性，功能强大。

这是从网上整理出来的图像融合评价标准，总共有13项性能指标。
包括平均梯度，边缘强度，信息熵，灰度均值，标准差(均方差MSE)，均方根误差，峰值信噪比（psnr），空间频率(sf)，图像清晰度，互信息(mi)，结构相似性(ssim)，交叉熵(crossentropy)，相对标准差。
大家一起交流吧~

图像匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。
其实质是在基元相似性的条件下，运用匹配准则的最佳搜索问题。

本文在图像稀疏性先验的基础上#引入局部AC模型和非局部自相似性作为图像额外的先验信息#提出了非局部正则化的[+图像重建模型#并给出了相应的数值求解算法$

《矩阵分析（原书第2版）》从数学分析的角度阐述了矩阵分析的经典和现代方法，主要内容有特征值、特征向量、范数、相似性、酉相似、三角分解、极分解、正定矩阵、非负矩阵等.新版全面修订和更新，增加了奇异值、CS分解和Weyr标准范数等相关的小节，扩展了与逆矩阵和矩阵块相关的内容，对基础线性代数和矩阵理论作了全面总结同时还附加了一点数值分析的复习提纲

线性光谱聚类（LSC）的超像素分割算法，该算法可以生成具有低计算成本的紧凑且均匀的超像素。
基本上，基于测量图像像素之间的颜色相似性和空间接近度的相似性度量，采用超像素分割的归一化切割公式。
然而，代替使用传统的基于特征的算法，我们使用核函数来近似相似性度量，导致将像素值和坐标明确映射到高维特征空间。
我们证明，通过适当地加权该特征空间中的每个点，加权K均值和归一化切割的目标函数共享相同的最佳点。
因此，通过在所提出的特征空间中迭代地应用简单的K均值聚类，可以优化归一化切割的成本函数。
LSC具有线性计算复杂性和高内存效率，并且能够保留图像的全局属性。
实验结果表明，LSC在图像分割中的几种常用评估度量方面表现出与现有技术的超像素分割算法相同或更好的性能。

《基于fpga的嵌入式图像处理系统设计》详细介绍了fpga（fieldprogrammablegatearray，现场可编程门阵列）这种新型可编程电子器件的特点，对fpga的各种编程语言的发展历程进行了回顾，并针对嵌入式图像处理系统的特点和应用背景，详细介绍了如何利用fpga的硬件并行性特点研制开发高性能嵌入式图像处理系统。
作者还结合自己的经验，介绍了研制开发基于fpga的嵌入式图像处理系统所需要的正确思路以及许多实用性技巧，并给出了许多图像处理算法在fpga上的具体实现方法以及多个基于fpga实现嵌入式图像处理系统的应用实例。
　　《基于fpga的嵌入式图像处理系统设计》对fpga技术的初学者以及已经具有比较丰富的设计经验的读者来说都有很好的参考价值，也将为从事基于fpga的嵌入式系统开发和应用的软硬件工程师和科研人员提供一本比较系统、全面的学习材料。
目录1图像处理1.1基本定义1.2图像形成1.3图像处理操作1.4应用实例1.5实时图像处理1.6嵌入式图像处理1.7串行处理1.8并行性1.9硬件图像处理系统2现场可编程门阵列2.1可编程逻辑器件2.1.1fpga与asic2.2fpga和图像处理2.3fpga的内部2.3.1逻辑器件2.3.2互连2.3.3输入和输出2.3.4时钟2.3.5配置2.3.6功耗2.4fpga产品系列及其特点2.4.1xilinx2.4.2altera2.4.3lattice半导体公司2.4.4achronix2.4.5siliconblue2.4.6tabula2.4.7actel2.4.8atmel2.4.9quicklogic2.4.10mathstar2.4.11cypress2.5选择fpga或开发板3编程语言3.1硬件描述语言3.2基于软件的语言3.2.1结构化方法3.2.2扩展语言3.2.3本地编译技术3.3visual语言3.3.1行为式描述3.3.2数据流3.3.3混合型3.4小结4设计流程4.1问题描述4.2算法开发4.2.1算法开发过程4.2.2算法结构4.2.3fpga开发问题4.3结构选择4.3.1系统级结构4.3.2计算结构4.3.3硬件和软件的划分4.4系统实现4.4.1映射到fpga资源4.4.2算法映射问题4.4.3设计流程4.5为调整和调试进行设计4.5.1算法调整4.5.2系统调试5映射技术5.1时序约束5.1.1低级流水线5.1.2处理同步5.1.3多时钟域5.2存储器带宽约束5.2.1存储器架构5.2.2高速缓存5.2.3行缓冲5.2.4其他存储器结构5.3资源约束5.3.1资源复用5.3.2资源控制器5.3.3重配置性5.4计算技术5.4.1数字系统5.4.2查找表5.4.3cordic5.4.4近似5.4.5其他方法5.5小结6点操作6.1单幅图像上的点操作6.1.1对比度和亮度调节6.1.2全局阈值化和等高线阈值化6.1.3查找表实现6.2多幅图像上的点操作6.2.1图像均值6.2.2图像相减6.2.3图像比对6.2.4亮度缩放6.2.5图像掩模6.3彩色图像处理6.3.1伪彩色6.3.2色彩空间转换6.3.3颜色阈值化6.3.4颜色校正6.3.5颜色增强6.4小结7直方图操作7.1灰度级直方图7.1.1数据汇集7.1.2直方图均衡化7.1.3自动曝光7.1.4阈值选择7.1.5直方图相似性7.2多维直方图7.2.1三角阵列7.2.2多维统计信息7.2.3颜色分割7.2.4颜色索引7.2.5纹理分析8局部滤波器8.1缓存8.2线性滤波器8.2.1噪声平滑8.2.2边缘检测8.2.3边缘增强8.2.4线性滤波器技术8.3非线性滤波器8.3.1边缘方向8.3.2非极大值抑制8.3.3零交点检测8.4排序滤波器8.4.1排序滤波器的排序网络8.4.2自适应直方图均衡化8.5颜色滤波器8.6形态学滤波器8.6.1二值图像的形态学滤波8.6.2灰度图像形态学8.6.3颜色形态学滤波8.7自适应阈值分割8.7.1误差扩散8.8小结9几何变换9.1前向映射9.1.1可分离映射9.2逆向映射9.3插值

python实现yuv格式视频之间结构相似性（ssim）指标的计算

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。