计算机图形学作业，代码+实验报告。
代码全部运行通过。
包括：Liang-Barsky线段裁剪算法，SutherLand-Hodgeman多边形裁剪，区域图案填充，扫描线种子填充。

Houston 2013数据集是一个结合了高光谱成像（HSI）与激光雷达（LiDAR）技术的数据集，主要用于遥感与地理信息系统研究领域。
该数据集针对地理信息的精确分析，包含了丰富的空间维度信息和光谱维度信息，使得它在地表覆盖分类、城市环境监测、农业遥感等多个领域具有重要的研究价值。


具体来说，高光谱成像技术能够在连续的光谱波段范围内获取地物的光谱信息，HSI数据集因而包含了成千上万的光谱波段，能够反映出地物在不同波长下的反射特性。
这些信息对于识别和分类不同的地物类型，如植被、水体、人造地物等具有重要意义。


另一方面，激光雷达技术通过发射激光脉冲并测量反射回来的信号来获得地表的高精度三维结构信息。
LiDAR数据集通常包括地物的高度信息、形状细节以及地表粗糙度等特征，这些信息对于地形分析、建筑物建模以及树木高度测量等方面至关重要。


Houston 2013数据集将HSI与LiDAR数据集分别划分为测试集和训练集，这样的划分可以用于开发和评估地表分类和遥感影像解译算法。
在遥感影像解译中，测试集用于验证算法的准确性，而训练集则用于训练分类器或机器学习模型，使得模型能够学习如何区分不同的地物类别。


该数据集的文件名称列表揭示了数据集的结构，其中HSI_TeSet.mat和HSI_TrSet.mat分别代表了高光谱成像数据集的测试集和训练集，LiDAR_TeSet.mat和LiDAR_TrSet.mat分别代表了激光雷达数据集的测试集和训练集。
TeLabel.mat和TrLabel.mat则可能包含了对应测试集和训练集的标签信息，即每一块地物的具体类别标签。


在处理这些数据集时，研究者需要熟悉遥感影像分析的常用工具和方法，例如使用ENVI、ArcGIS、ERDAS Imagine等软件对HSI数据进行预处理和分析，以及使用Terrascan、LIDAR360等软件对LiDAR数据进行点云处理。
除此之外，深度学习方法，特别是卷积神经网络（CNN）在处理HSI数据中也显示出强大的能力，它可以自动提取和学习光谱特征，对于提高分类精度具有显著效果。


Houston 2013数据集通过提供两种不同的遥感技术所获得的综合数据集，为遥感领域的研究者提供了一个宝贵的实验平台，使得他们可以在此基础上开发和测试新的地表分类算法和模型，进而推动遥感技术在环境监测与分析中的应用与发展。

数据结构实验全国交通咨询模拟代码

1、界面精美，通过了很多小细节去处理界面2、功能覆盖很紧密和全面，达到一种视觉上的精简效果3、代码质量较好，有很多注释方便大家去阅读理解4、压缩包里还有项目分析，问题解决方案，以及实验报告

本实验将实现如下功能：主函数不停的查询ADXL345的转换结果，得到x、y和z三个方向的加速度值（读数值），然后将其转换为与自然系坐标的角度，并将结果在LCD模块上显示出来。
DS0来指示程序正在运行，通过按下WK_UP按键，可以进行ADXL345的自动校准（DS1用于提示正在校准）。

https://blog.csdn.net/weixin_40267472/article/details/82773408

unity的一个课程小型实验。
做了一个简单的模型。
用于unity软件的入门。

昆明理工大学单片机实验报告（自动化专业）

为了实现较好保留图像边缘特征的有效去噪,提出了一种基于边缘检测的Contourlet变换去噪方法。
该方法先用LOG算子提取图像边缘,进而在Contourlet变换域上对图像的边缘部分和非边缘部分分别选取不同阈值进行最佳软阈值去噪处理。
实验表明,与采用Donoho软阈值的Contourlet变换去噪方法相比,该方法可有效地保留图像的边缘信息,达到了更好的去噪效果。

具有陷阱的无序系统中迁移率的温度异常依赖性：实验和理论

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。