Visualc++数字图像处理典型算法及实例源代码，内容包括：源码目录结构图、256色转灰度图、Hough变换、Walsh变换、二值化变换、亮度增减、傅立叶变换、反色、取对数、取指数、图像平移、图像旋转、图像细化、图像缩放、图像镜像、均值滤波、对比度拉伸、拉普拉斯锐化（边缘检测）、方块编码、梯度锐化、灰度均衡、用Canny算子提取边缘、直方图均衡、团圆余弦变换、维纳滤波处理、逆滤波处理、阈值变换、高斯平滑等。
2019/11/1 2:54:24
13.41MB
1
空域加强、频域加强、图像锐化支持阈值滤波、均值滤波、中值滤波Kirsch算子、Laplace算子、Prewitt算子、Roberts算子、Sobel算子、Butterworth高通滤波、Butterworth低通滤波、模板滤波等算法
2019/11/19 18:15:44
518KB
1
BP算法是基于梯度下降方法，可能会导致网络陷入局部极值点。
遗传算法是一种概率性的自适应迭代寻优过程，遵循“优胜劣汰”的原则，具有良好的全局搜索功能，较好的克服了BP算法局部最优的缺陷，同时可优化BP神经网络初始权重和阈值，进一步提高BP神经网络的计算精度。
遗传算法是一种概率性的自适应迭代寻优过程，遵循“优胜劣汰”的原则，具有良好的全局搜索功能，较好的克服了BP算法局部最优的缺陷，同时可优化BP神经网络初始权重和阈值，进一步提高BP神经网络的计算精度。
2018/10/5 14:55:49
473KB
1
3D正当失真（JND）阈值本质上取决于人类视觉灵敏度（HVS）。
本文提出了一种基于3D视频的深度图像渲染（DIBR）框架的混合正畸形（HJND）模型，以测量JND阈值。
HJND模型将2D和3D视觉感知，深度显着性和几何变形之间的关键差异组合到了HJND模型中，因为它们对HVS具有重大影响。
为了节省比特，将HJND模型引入到多视图视频加深度（MVD）编码框架中作为残差滤波器。
在通过HJND和参考模型称为联合正当失真（JJND）过滤残差之后，位节省分别达到了28.79％和23.53％，并且通过HJND和JJND过滤的3D受损视频具有类似的主观质量。
实验表明，HJND比最先进的方法更准确地描述3D视频的HVS。
本文提出了一种基于3D视频的深度图像渲染（DIBR）框架的混合正畸形（HJND）模型，以测量JND阈值。
HJND模型将2D和3D视觉感知，深度显着性和几何变形之间的关键差异组合到了HJND模型中，因为它们对HVS具有重大影响。
为了节省比特，将HJND模型引入到多视图视频加深度（MVD）编码框架中作为残差滤波器。
在通过HJND和参考模型称为联合正当失真（JJND）过滤残差之后，位节省分别达到了28.79％和23.53％，并且通过HJND和JJND过滤的3D受损视频具有类似的主观质量。
实验表明，HJND比最先进的方法更准确地描述3D视频的HVS。
2017/8/27 6:39:25
2.12MB
1
利用STC12C5A60S2单片机和PM2.5传感器，实现PM2.5的实时检测，以及达到设定阈值时报警。
代码曾经测试通过，可以正常实现功能。
内有详细PCB图和传感器参数文档。
代码曾经测试通过，可以正常实现功能。
内有详细PCB图和传感器参数文档。
2017/8/20 18:37:06
2.1MB
1
为博主博客“ZYNQ进阶之路14”博客对应源代码，该代码通过FIFO阈值触发中缀和超时中缀实现ZYNQPS端uart接收不定长数据
2016/11/17 16:04:36
7.81MB
1
一、参考设计思路【图片可自定义，含GUI可视化界面】1.读入图片，根据路标的颜色进行大致的分割这是数据库中的二值图像，路标很多，所以选择几种典型的，我选择了的是：三角形（黄色）和圆形（红色）的，对应着禁止路标，警示路标，以及提示路标2.然后是直方图灰度增强，这一步很重要，没这一步效果很不明显。
3.图像二值化，去除小干扰4.内部填充，构成一个白色的圆5.边界提取，一个圆形的白线所以的步骤都有对应的图像6.根据白线，利用Hu不变矩确定其形状。
7.根据6的轮廓提取路标位置，得到路标所在区域图案（这一步程序里定位出来了）7.将第四步骤白色圆反转，先利用四步骤的图案作为蒙版提取7所框定的路标区域，在用反转图像将非路标区域白色化，这有利于后一步的图像处理8.对上述得到的图像进行二值化，采用OUST自适应图像分割法9.利用LBP法，建立数据库10.神经网络后，将目标图像和数据库对比，设定阈值，得到对应的信息
3.图像二值化，去除小干扰4.内部填充，构成一个白色的圆5.边界提取，一个圆形的白线所以的步骤都有对应的图像6.根据白线，利用Hu不变矩确定其形状。
7.根据6的轮廓提取路标位置，得到路标所在区域图案（这一步程序里定位出来了）7.将第四步骤白色圆反转，先利用四步骤的图案作为蒙版提取7所框定的路标区域，在用反转图像将非路标区域白色化，这有利于后一步的图像处理8.对上述得到的图像进行二值化，采用OUST自适应图像分割法9.利用LBP法，建立数据库10.神经网络后，将目标图像和数据库对比，设定阈值，得到对应的信息
2017/5/8 18:03:53
2.01MB
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