改代码次要涉及到灰度图像的分割，包括均值聚类，ostu两个算法，以及图像的边缘提取，和骨架提取，同时涉及到奶牛乳腺面积密度的计算等等。
2020/10/19 7:12:13
36KB
1
苹果的图像特征提取，只需运行“apple.m”就可以了按照灰度化，直方图均衡化，中值滤波，边缘检测，特征提取的顺序来特征提取中，取得“比例系数”时，选择一张横径图片，序号与之前选择图像的相同
2015/3/13 21:08:52
181KB
1
此文档是小编使用传统方法，对图像进行sobel算子、灰度化、形状学腐蚀膨胀、矩形框标记进行目标识别的原始代码（可以正常运行），适用于图像处理基础，很好的理解传统目标检测流程。
2020/5/9 11:02:16
14KB
1
CMUMulti-PIE人脸数据库包含超过750,000张337人的图像，这些图像在五个月内最多可记录四次。
受试者在15个视点和19个照明条件下成像，同时显示一系列面部表情。
此外，还获得了高分辨率正面图像。
总的来说，数据库包含超过305GB的面部数据。
资源包括PIE照明子集（1154张人脸灰度图，32*32）和三个Pose05、Pose07、Pose09子集（分别包括3332张、1629张、859张人脸灰度图，64*64）。
受试者在15个视点和19个照明条件下成像，同时显示一系列面部表情。
此外，还获得了高分辨率正面图像。
总的来说，数据库包含超过305GB的面部数据。
资源包括PIE照明子集（1154张人脸灰度图，32*32）和三个Pose05、Pose07、Pose09子集（分别包括3332张、1629张、859张人脸灰度图，64*64）。
2016/7/18 17:33:03
14.38MB
1
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。
2017/8/21 19:39:08
13.41MB
1
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
MNIST是在机器学习领域中的一个经典问题。
该问题处理的是把28x28像素的灰度手写数字图片识别为相应的数字，其中数字的范围从0到9.MNIST包含了训练集与测试集数据。
该问题处理的是把28x28像素的灰度手写数字图片识别为相应的数字，其中数字的范围从0到9.MNIST包含了训练集与测试集数据。
2015/5/5 6:44:15
11.06MB
1
针对图像边缘与轮廓不能精确重构的问题,提出了一种基于灰度共生矩阵的多尺度分块压缩感知算法。
该算法利用三级离散小波变换将图像分解为高频部分和低频部分。
通过灰度共生矩阵的熵分析高频部分图像块的纹理复杂度,并根据图像块纹理进行再分块、自顺应分配采样率。
采用平滑投影Landweber算法重构图像,消除分块引起的块效应。
对多种图像进行压缩重构仿真,实验结果表明,无观测噪声情况、采样率为0.1时,本算法在Mandrill图像上得到的峰值信噪比(PSNR)为25.37dB,比现有非均匀分块算法提高了2.51dB。
不同噪声水平下,本算法的PSNR比无噪时仅下降了0.41~2.05dB。
对于纹理复杂度较高的图像,本算法的重构效果明显优于非均匀分块算法,对噪声具有较好的鲁棒性。
该算法利用三级离散小波变换将图像分解为高频部分和低频部分。
通过灰度共生矩阵的熵分析高频部分图像块的纹理复杂度,并根据图像块纹理进行再分块、自顺应分配采样率。
采用平滑投影Landweber算法重构图像,消除分块引起的块效应。
对多种图像进行压缩重构仿真,实验结果表明,无观测噪声情况、采样率为0.1时,本算法在Mandrill图像上得到的峰值信噪比(PSNR)为25.37dB,比现有非均匀分块算法提高了2.51dB。
不同噪声水平下,本算法的PSNR比无噪时仅下降了0.41~2.05dB。
对于纹理复杂度较高的图像,本算法的重构效果明显优于非均匀分块算法,对噪声具有较好的鲁棒性。
2015/9/27 10:19:52
11.24MB
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