信息隐藏课程做的基于量化索引（抖动调制）的水印嵌入与提取，内容如下：1.空域的嵌入与提取（黑白图）2.包含DCT变化与量化的水印嵌入与提取（彩色图）3.6种攻击测试（高斯噪声，放大攻击，裁剪，平移，像素值修正，旋转）4.psnr计算5.探究量化表的修正
2020/1/14 13:41:52
2.91MB
1
在基于陪集码的高光谱图像压缩算法中,由于按照编码块的最大残差确定整块无损压缩所需的码率存在较大冗余,该文提出了基于分类和陪集码的高光谱图像压缩算法.首先利用前一波段对应位置的预测噪声对当前波段编码块的像素进行分类,将具有类似相关性的像素归于一类,然后对每一类像素分别进行陪集码编码.实验表明分类可以有效地降低码率.和基于陪集码的算法相比,该文算法无损压缩的平均码率降低了大约0.4bpp.
2017/5/6 16:57:49
713KB
1
遇到的问题：1。
MakeTransparent转换透明背景,保存后背景色变成黑色2。
转化后图片清晰度发生了变化（处理后有黑色像素化点）3.效率不好。
。
==============经过几天的模索、找资料、研究1。
保存后背景色不会变黑色（已测，在PS和页面中确已透明）2。
清晰度只有一点细微变化，处理后依然很清晰，黑色像素点，已处理3。
效率高了很多。
。
MakeTransparent转换透明背景,保存后背景色变成黑色2。
转化后图片清晰度发生了变化（处理后有黑色像素化点）3.效率不好。
。
==============经过几天的模索、找资料、研究1。
保存后背景色不会变黑色（已测，在PS和页面中确已透明）2。
清晰度只有一点细微变化，处理后依然很清晰，黑色像素点，已处理3。
效率高了很多。
。
2017/11/6 14:56:20
109KB
1
原理。
。
将每个像素对应的x,y值带入，算出Ax^2+Bxy+Cy^2+Dx+Ey+F若大于零，数组中该点值为1，否则为0然后、。
。
。
。
。
。
。
查找边缘。
。
。
。
。
。
。
是不是极其神奇界面极其粗制滥造，“用”表示运用这个参数，不选则该常数为0，“负”表示设置该项为负数（滚动条是对数的），焦点在某滚动条上时按1-9精确调至整数，加按shift则取倒数，单击黑不拉几的那一大块就画图。
。
还是费了我点心血的。
传上来示众一下。
。
将每个像素对应的x,y值带入，算出Ax^2+Bxy+Cy^2+Dx+Ey+F若大于零，数组中该点值为1，否则为0然后、。
。
。
。
。
。
。
查找边缘。
。
。
。
。
。
。
是不是极其神奇界面极其粗制滥造，“用”表示运用这个参数，不选则该常数为0，“负”表示设置该项为负数（滚动条是对数的），焦点在某滚动条上时按1-9精确调至整数，加按shift则取倒数，单击黑不拉几的那一大块就画图。
。
还是费了我点心血的。
传上来示众一下。
2021/7/12 14:10:24
5KB
1
本法式结合我的博客而仿真的，网址是：https://mp.csdn.net/postedit/82115829
2017/8/11 11:56:27
3KB
1
为了精确评价纱线疵点的种类与个数,提出了一种融合空间模糊C-均值(FCM)聚类的纱线疵点检测算法。
首先利用融合空间FCM聚类算法提取纱线条干;然后对纱线条干进行形状学开运算处理,以获取精确的纱线条干,并利用条干上下边缘点之间的像素个数计算纱线的直径与平均直径;最后根据纱线疵点标准判定纱线疵点的种类与个数。
为了验证本算法的有效性和准确性,对多种不同线密度的纯棉纱线进行测试,并将测试结果与电容性纱疵分级仪的检测结果进行对比。
结果表明,本算法与电容性的检测结果一致性较好,且价格低廉,不易受环境温度、湿度等因素的影响。
首先利用融合空间FCM聚类算法提取纱线条干;然后对纱线条干进行形状学开运算处理,以获取精确的纱线条干,并利用条干上下边缘点之间的像素个数计算纱线的直径与平均直径;最后根据纱线疵点标准判定纱线疵点的种类与个数。
为了验证本算法的有效性和准确性,对多种不同线密度的纯棉纱线进行测试,并将测试结果与电容性纱疵分级仪的检测结果进行对比。
结果表明,本算法与电容性的检测结果一致性较好,且价格低廉,不易受环境温度、湿度等因素的影响。
2019/9/9 14:33:50
2.81MB
1
由于目前大多数交互式Graph-Cut分割算法很难达到精确分割且实时交互的效果.对此,提出一种基于局部颜色模型的改进算法.该算法利用Mean-Shift预分割,建立基于局部颜色模型的交互式分割框架,并将像素级的Graph-Cut算法转化为基于区域的算法进行快速求解.预分割之后的区域保持了原有图像的结构,不只提高了采用局部颜色模型估计分布的准确性,而且基于区域Graph-Cut的算法明显降低了计算的复杂度.实验结果表明,改进后的算法不只保证了分割的精确性,而且还达到了实时交互.
2017/11/5 4:27:31
818KB
1
字符包括汉字，字母，数字和一些符号。
汉字有几千个，字母有几十个，数字的类最少只要10个，所以选择简单的手写数字字符来实现。
结合三个相关的程序和论文，一个是语音特征的分类（不调用神经网络工具箱相关函数实现），另外两个是关于手写数字识别的。
处理的数据集是放在10个文件夹里，文件夹的名称对应存放的手写数字图片的数字，每个数字500张,每张图片的像素统一为28*28
汉字有几千个，字母有几十个，数字的类最少只要10个，所以选择简单的手写数字字符来实现。
结合三个相关的程序和论文，一个是语音特征的分类（不调用神经网络工具箱相关函数实现），另外两个是关于手写数字识别的。
处理的数据集是放在10个文件夹里，文件夹的名称对应存放的手写数字图片的数字，每个数字500张,每张图片的像素统一为28*28
2019/5/1 2:27:01
2.89MB
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