本代码完成了单帧超分辨率重建，效果比传统的样条插值好很多，关于本代码的IEEE文献后期再上传本代码完成了单帧超分辨率重建，效果比传统的样条插值好很多，关于本代码的IEEE文献后期再上传

Marchingcubes算法是实现三维重建经典算法，该算法的难点之一就是查找表的构造，该代码所构造的查找表排除了三维模型中的漏点，曾经测试并且用于公司产品

运用matlab实现三维建模源码，效果非常好，可以用于三维点云数据的建模-Three-dimensionalmodelingusingMATLAB

本资源为英文版word文档，次要内容包括3D摄影与投影校准，3D扫描，结构光，点云等内容，适合初学3D扫描和重建的人

欢迎来到GitHubPages您可以使用的来维护和预览Markdown文件中网站的内容。
每当您提交到该存储库时，GitHubPages都将运行从Markdown文件中的内容重建站点中的页面。
降价促销Markdown是一种轻巧且易于使用的语法，可用于样式化您的文字。
它包括以下约定Syntaxhighlightedcodeblock#Header1##Header2###Header3-Bulleted-List1.Numbered2.List**Bold**and_Italic_and`Code`text[Link](url)and有关更多详细信息，请参见。
吉柯主题您的Pages网站将使用您在选择的Jekyll主题的规划和样式。
该主题的名称保存在Jekyll_conf

支持向量机是数据挖掘中的一个新方法。
支持向量机能非常成功地处理回归问题(时间序列分析)和模式识别(分类问题、判别分析)等诸多问题，并可推广于预测和综合评价等领域，因此可应用于理科、工科和管理等多种学科。
目前国际上支持向量机在理论研究和实际应用两方面都正处于飞速发展阶段。
希望《数据挖掘中的新方法——支持向量机》能促进它在我国的普及与提高。
《数据挖掘中的新方法——支持向量机》对象既包括关心理论的研究工作者，也包括关心应用的实际工作者。
对于有关领域的具有高等数学知识的实际工作者，略去书中的某些理论部分，仍能对支持向量机的本质有一个概括的理解，从而用它解决自己的问题。
《数据挖掘中的新方法——支持向量机》适合高等院校高年级学生、研究生、教师和相关科研人员及相关领域的实际工作者使用。
序言符号表第1章最优化问题及其基本理论1·1最优化问题1·2最优性条件1·3对偶理论1·4注记参考文献第2章求解分类问题和回归问题的直观途径2·1分类问题的提出2·2线性分类学习机2·3支持向量分类机2·4线性回归学习机2·5支持向量回归机2·6注记参考文献第3章核3·1描述相似性的工具——内积3·2多项式空间和多项式核3·3Mercer核3·4正定核3·5核的构造3·6注记参考文献第4章推广能力的理论估计4·1损失函数和期望风险4·2求解分类问题的一种途径和一个算法模型4·3VC维4·4学习算法在概率意义下的近似正确性4·5一致性概念和关键定理4·6结构风险最小化4·7基于间隔的推广估计4·8注记参考文献第5章分类问题5·1最大间隔原则5·2线性可分支持向量分类机5·3线性支持向量分类机5·4支持向量分类机5·5ν-支持向量分类机(ν-SVC)5·6ν-支持向量分类机(ν-SVC)和C-支持向量分类机(C-SVC)的关系5·7多类分类问题5·8一个例子5·9注记参考文献第6章回归估计6·1回归问题6·2ε-支持向量回归机6·3ν-支持向量回归机6·4ε-支持向量回归机(ε-SVR)与ν-支持向量回归机(ν-SVR)的关系6·5其他方式的支持向量回归机6·6其他方式的损失函数6·7一些例子6·8注记参考文献第7章算法7·1无约束问题解法7·2内点算法7·3求解大型问题的算法7·4注记参考文献第8章应用8·1模型选择问题8·2分类问题的线性分划中的特征选择8·3模型选择8·4静态图像中球的识别8·5自由曲面的重建问题8·6应用简介8·7核技巧的应用8·8注记参考文献附录A基础知识A·1基本定义A·2梯度和Hesse矩阵A·3方向导数A·4Taylor展开式A·5分离定理附录BHilbert空间B·1向量空间B·2内积空间B·3Hilbert空间B·4算子、特征值和特征向量附录C概率C·1概率空间C·2随机变量及其分布C·3随机变量的数字特征C·4大数定律附录D鸢尾属植物数据集英汉术语对照表

包括对原始图像的扇束投影数据的模仿生成，和对投影数据的反投影重建图像两个过程。
使用经典的RL滤波函数重建，main.m为主函数，参数可变。

基于marchingcubes的三维重建方法，效果很不错，当然还有很多需求改进的地方

使用OpenCV实现了多图像的三维重建。
使用VS2015开发，程序运转后会读取images目录下的图片进行重建。
重建完成后，可以运转Viewer下的SfMViewer.exe查看重建结果。
详见博客http://blog.csdn.net/aichipmunk/article/

用离散点云完成三维重建的matlab程序

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。