经典的基于距离变换细化的骨架提取方法。
距离变换的结果是双像素宽度的骨架，细化的结果是单像素宽度的骨架。
该方法骨架定位精确，运转速度快
距离变换的结果是双像素宽度的骨架，细化的结果是单像素宽度的骨架。
该方法骨架定位精确，运转速度快
2023/2/15 12:51:03
19KB
1
说明：体绘制实现三维重建。
描述：Ray-casting（光线投射）算法对DICOM等格式的切片进行三维重建．体绘制：不同于面绘制，面绘制需要生成中间几何图元，而体绘制是直接绘制，内容需求较面绘制小；
每切换一个视角需要重新对所有的像素点进行颜色、通明度等计算，需要时间比面绘制长。
描述：Ray-casting（光线投射）算法对DICOM等格式的切片进行三维重建．体绘制：不同于面绘制，面绘制需要生成中间几何图元，而体绘制是直接绘制，内容需求较面绘制小；
每切换一个视角需要重新对所有的像素点进行颜色、通明度等计算，需要时间比面绘制长。
2023/2/12 23:57:21
3KB
1
一种基于行列像素置乱和logistic混沌序列扩散的彩色图像视觉安全算法。
加密部分首先通过对明文图像的像素进行行列置乱，然后对置乱后的图像进行R、G、B分解，之后利用混沌序列扩散对分解得到的三分量进行加密，最初分别嵌入经过离散小波变换的载体图像R、G、B分层中，从而获得视觉安全的载密图像。
解密部分首先对载密图像进行R、G、B分解，然后对R、G、B三分量分别进行离散小波变换，之后从经过离散小波变换的三分量中提取载密三分量，对载密三分量进行异或操作并合成，最初把合成后的图像执行行列像素的反置乱得到明文图像。
加密部分首先通过对明文图像的像素进行行列置乱，然后对置乱后的图像进行R、G、B分解，之后利用混沌序列扩散对分解得到的三分量进行加密，最初分别嵌入经过离散小波变换的载体图像R、G、B分层中，从而获得视觉安全的载密图像。
解密部分首先对载密图像进行R、G、B分解，然后对R、G、B三分量分别进行离散小波变换，之后从经过离散小波变换的三分量中提取载密三分量，对载密三分量进行异或操作并合成，最初把合成后的图像执行行列像素的反置乱得到明文图像。
2023/2/11 23:42:36
2.55MB
1
包含常用的几种高光谱数据，可以用于遥感图像分类。
WashingtonDCMal,IndianPine等。
ndianPines是最早的用于高光谱图像分类的测试数据，由机载可视红外成像光谱仪（AVIRIS）于1992年对美国印第安纳州一块印度松树进行成像，然后截取尺寸为145×145的大小进行标注作为高光谱图像分类测试用途。
Pavia University数据是由德国的机载反射光学光谱成像仪（Reflective OpticsSpectrographicImagingSystem，ROSIS-03）在2003年对意大利的帕维亚城所成的像的一部分高光谱数据。
该光谱成像仪对0.43-0.86μm波长范围内的115个波段连续成像，所成图像的空间分辨率为1.3m。
其中12个波段由于受噪声影响被剔除，因而一般使用的是剩下103个光谱波段所成的图像。
该数据的尺寸为610×340，因而共包含2207400个像素，但是其中包含大量的背景像素，包含地物的像素总共只有42776个，这些像素中共包含9类地物，包括树、沥青道路（Asphalt）、砖
WashingtonDCMal,IndianPine等。
ndianPines是最早的用于高光谱图像分类的测试数据，由机载可视红外成像光谱仪（AVIRIS）于1992年对美国印第安纳州一块印度松树进行成像，然后截取尺寸为145×145的大小进行标注作为高光谱图像分类测试用途。
Pavia University数据是由德国的机载反射光学光谱成像仪（Reflective OpticsSpectrographicImagingSystem，ROSIS-03）在2003年对意大利的帕维亚城所成的像的一部分高光谱数据。
该光谱成像仪对0.43-0.86μm波长范围内的115个波段连续成像，所成图像的空间分辨率为1.3m。
其中12个波段由于受噪声影响被剔除，因而一般使用的是剩下103个光谱波段所成的图像。
该数据的尺寸为610×340，因而共包含2207400个像素，但是其中包含大量的背景像素，包含地物的像素总共只有42776个，这些像素中共包含9类地物，包括树、沥青道路（Asphalt）、砖
2023/2/11 2:19:13
195MB
1
模式识别miniproject-脱机手写签名识别，这是每个学习模式识别的同学必做的课程设计miniproject，主要功能要求如下：一共有20个人，在其对应的文件夹中存放了每个人的20个手写签名图像，每幅图像均为PCX图像格式，大小为12994像素大小。
对每个人的手写签名，用其中80%的图像作为训练样本进行训练，用余下的20%的图像进行测试。
在签名图像进行特征提取时，提取6个ET1和6个DT12轮廓特征。
每一个人的手写签名特征假设为48维特征空间的多维高斯分布。
用贝叶斯参数估计法估算概率密度函数（pdf），然后用Bayes分类器识别。
分别计算closetest和opentest下的分类功能。
根据每个类的概率分布函数的最近邻估算来计算贝叶斯识别的opentest识别率。
适用kn最近邻法来直接估算每个类在每个测试样本的后验概率并计算opentest下的分类功能，将该识别率表示为一个关于k的函数并绘图。
这些是基于后验概率的非参数估计的贝叶斯估计。
对每个人的手写签名，用其中80%的图像作为训练样本进行训练，用余下的20%的图像进行测试。
在签名图像进行特征提取时，提取6个ET1和6个DT12轮廓特征。
每一个人的手写签名特征假设为48维特征空间的多维高斯分布。
用贝叶斯参数估计法估算概率密度函数（pdf），然后用Bayes分类器识别。
分别计算closetest和opentest下的分类功能。
根据每个类的概率分布函数的最近邻估算来计算贝叶斯识别的opentest识别率。
适用kn最近邻法来直接估算每个类在每个测试样本的后验概率并计算opentest下的分类功能，将该识别率表示为一个关于k的函数并绘图。
这些是基于后验概率的非参数估计的贝叶斯估计。
2023/1/30 10:20:44
816KB
1
本程序代码是通过Matlab编写完成的，里面有用高清相机拍摄的图片提取的二值化图像，每一幅图像都有几个MB；
虽然压缩包只要几十kb，但功能完善，没有任何问题。
通过记录二值化图像像素点，利用设定的距离阈值参数，然后利用距离阈值参数通过最小二乘法迭代来剔除偏差较大的像素点，进而实现圆拟合,并在圆二值化图像上面画上圆，记录圆的方程（包括圆心和半径这两个参数）。
请放心下载，资源没有任何问题。
虽然压缩包只要几十kb，但功能完善，没有任何问题。
通过记录二值化图像像素点，利用设定的距离阈值参数，然后利用距离阈值参数通过最小二乘法迭代来剔除偏差较大的像素点，进而实现圆拟合,并在圆二值化图像上面画上圆，记录圆的方程（包括圆心和半径这两个参数）。
请放心下载，资源没有任何问题。
2023/1/28 8:55:13
37KB
1
官网可以下载，数据库的脸,(原名“ORL数据库”),包含一组面临1992年4月至1992年4月拍摄的图像在数据库实验室。
用于人脸识别项目的背景下进行合作演讲中,视觉和机器人组的剑桥大学工程系.PGM格式的文件每个图像的大小是92x112像素,每像素256灰色的水平。
图像是组织在40目录(一个为每个主题),表单的名称sX,在那里X表明主体数量(1-40)。
在这些目录中,有十个不同主题的图片,名称的方式Y.pgm,在那里Y是这个主题的图像数量
用于人脸识别项目的背景下进行合作演讲中,视觉和机器人组的剑桥大学工程系.PGM格式的文件每个图像的大小是92x112像素,每像素256灰色的水平。
图像是组织在40目录(一个为每个主题),表单的名称sX,在那里X表明主体数量(1-40)。
在这些目录中,有十个不同主题的图片,名称的方式Y.pgm,在那里Y是这个主题的图像数量
2023/1/23 8:46:30
4.03MB
1
Road_extraction使用多GPU模型张量流的AttentionUnet和DeepUnet实现道路提取DeepU-Net的多种变体已经过额外的层和额外的卷积测试。
尽管如此，优于所有人的模型是AttentionU-Net：学习在哪里寻找胰腺。
我添加了一个额外的调整来提高功能，将卷积块切换为残差块TensorFlow分割TF细分模型，U-Net，AttentionUnet，DeepU-Net（U-Net的所有变体）使用神经网络（NN）进行图像分割，旨在从遥感影像中提取道路网络，它可用于其他应用中，标记图像中的每个像素（语义分割）可以在以下论文中找到详细信息：注意U-Net附加模块要求Python3.6CUDA10.0TensorFlow1.9Keras2.0模组utils.py和helper.py函数用于预处理数据并保存。
尽管如此，优于所有人的模型是AttentionU-Net：学习在哪里寻找胰腺。
我添加了一个额外的调整来提高功能，将卷积块切换为残差块TensorFlow分割TF细分模型，U-Net，AttentionUnet，DeepU-Net（U-Net的所有变体）使用神经网络（NN）进行图像分割，旨在从遥感影像中提取道路网络，它可用于其他应用中，标记图像中的每个像素（语义分割）可以在以下论文中找到详细信息：注意U-Net附加模块要求Python3.6CUDA10.0TensorFlow1.9Keras2.0模组utils.py和helper.py函数用于预处理数据并保存。
2023/1/22 22:31:45
16.51MB
1
图像直方图（英语：ImageHistogram）是用以表示数字图像中亮度分布的直方图，标绘了图像中每个亮度值的像素数。
可以借助观察该直方图了解需要如何调整亮度分布。
这种直方图中，横坐标的左侧为纯黑、较暗的区域，而右侧为较亮、纯白的区域。
因而，一张较暗图片的图像直方图中的数据多集中于左侧和中间部分；
而整体明亮、只有少量阴影的图像则相反。
该DELPHI源代码可以通过添加图片，生成直方图，并支持调节直方图修改图片对比度。
包含完整源码封装类和DEMO.exe程序
可以借助观察该直方图了解需要如何调整亮度分布。
这种直方图中，横坐标的左侧为纯黑、较暗的区域，而右侧为较亮、纯白的区域。
因而，一张较暗图片的图像直方图中的数据多集中于左侧和中间部分；
而整体明亮、只有少量阴影的图像则相反。
该DELPHI源代码可以通过添加图片，生成直方图，并支持调节直方图修改图片对比度。
包含完整源码封装类和DEMO.exe程序
2023/1/18 3:35:15
1.44MB
1
批量改变图片尺寸（像素、比例）MAC使用阐明：https://gorpeln.com/2018/10/03/15385436862439.html
2020/9/6 18:50:07
1.26MB
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