我使用OpenCV2.4.4的windows版本+Qt4.8.3+VS2010的编译器做了一个手势识别的小程序。
本程序主要使到了Opencv的特征训练库和最基本的图像处理的知识，包括肤色检测等等。
废话不多，先看一下基本的界面设计，以及主要功能：
本程序主要使到了Opencv的特征训练库和最基本的图像处理的知识，包括肤色检测等等。
废话不多，先看一下基本的界面设计，以及主要功能：
2024/8/9 19:46:35
16.22MB
1
《CCD/CMOS图像传感器基础与应用》从CCD图像传感器的基本工作原理出发，利用丰富的插图，简明易懂地介绍CCD图像传感器的各种构造及工作方式、各种特性和应用技术等。
另外，也对随着片上系统的研发成功在广泛领域期待应用的CM0S图像传感器，如特征与技术、片上系统等进行详细介绍。
另外，也对随着片上系统的研发成功在广泛领域期待应用的CM0S图像传感器，如特征与技术、片上系统等进行详细介绍。
2024/8/8 17:36:54
35.41MB
1
针对人脸检测问题中快速性与准确性难以同时满足的情况，提出了一种将肤色和脸部特征相结合的方法来检测人脸。
由于通过基于肤色的算法能快速定位出人脸大致位置，因而检测速度能达到实时的要求；
同时利用脸部特征进一步细检，可保证检测的精确性。
由于通过基于肤色的算法能快速定位出人脸大致位置，因而检测速度能达到实时的要求；
同时利用脸部特征进一步细检，可保证检测的精确性。
2024/8/7 20:03:08
238KB
1
本资源是ISODATA聚类算法的matlab代码，其中包括isodata.m（ISODATA算法代码，其中包括了合并分裂等一系列子函数）、provaisodata.m（算法实例调用代码）和dades.mat（存放实例数据变量的文件）三个文件，并且每个函数都有详细的中文注释，而非原来的西班牙语注释。
ISODATA算法是在k-均值算法的基础上，增加对聚类结果的“合并”和“分裂”两个操作，并设定算法运行控制参数的一种聚类算法。
全称：IterativeSelforganizingDataAnalysisTechniquesAlgorithm即：迭代自组织数据分析算法。
“合并”操作：当聚类结果某一类中样本数太少，或两个类间的距离太近时，进行合并。
“分裂”操作：当聚类结果某一类中样本某个特征类内方差太大，将该类进行分裂。
ISODATA算法是在k-均值算法的基础上，增加对聚类结果的“合并”和“分裂”两个操作，并设定算法运行控制参数的一种聚类算法。
全称：IterativeSelforganizingDataAnalysisTechniquesAlgorithm即：迭代自组织数据分析算法。
“合并”操作：当聚类结果某一类中样本数太少，或两个类间的距离太近时，进行合并。
“分裂”操作：当聚类结果某一类中样本某个特征类内方差太大，将该类进行分裂。
2024/8/6 22:07:29
9KB
1
以一个能识别数字0～9的语音识别系统的实现过程为例，阐述了基于DTW算法的特定人孤立词语音识别的基本原理和关键技术。
其中包括对语音端点检测方法、特征参数计算方法和DTW算法实现的详细讨论，最后给出了在Matlab下的编程方法和实验结果。
其中包括对语音端点检测方法、特征参数计算方法和DTW算法实现的详细讨论，最后给出了在Matlab下的编程方法和实验结果。
2024/8/5 22:32:49
821KB
1
骨架提取与分水岭算法也属于形态学处理范畴，都放在morphology子模块内。
骨架提取，也叫二值图像细化。
这种算法能将一个连通区域细化成一个像素的宽度，用于特征提取和目标拓扑表示。
morphology子模块提供了两个函数用于骨架提取，分别是Skeletonize（）函数和medial_axis（）函数。
我们先来看Skeletonize（）函数。
格式为：skimage.morphology.skeletonize(image)输入和输出都是一幅二值图像。
例1： 生成一幅测试图像，上面有三个目标对象，分别进行骨架提取，结果如下：例2：利用系统自带的马图片进行骨架提取 medial_axis就是中
骨架提取，也叫二值图像细化。
这种算法能将一个连通区域细化成一个像素的宽度，用于特征提取和目标拓扑表示。
morphology子模块提供了两个函数用于骨架提取，分别是Skeletonize（）函数和medial_axis（）函数。
我们先来看Skeletonize（）函数。
格式为：skimage.morphology.skeletonize(image)输入和输出都是一幅二值图像。
例1： 生成一幅测试图像，上面有三个目标对象，分别进行骨架提取，结果如下：例2：利用系统自带的马图片进行骨架提取 medial_axis就是中
2024/8/3 6:20:31
177KB
1
乳腺癌病理图像的自动分类具有重要的临床应用价值。
基于人工提取特征的分类算法，存在需要专业领域知识、耗时费力、提取高质量特征困难等问题。
为此，采用一种改进的深度卷积神经网络模型，实现了乳腺癌病理图像的自动分类;同时，利用数据增强和迁移学习方法，有效避免了深度学习模型受样本量限制时易出现的过拟合问题。
实验结果表明，该方法的识别率可达到91%，且具有较好的鲁棒性和泛化性
基于人工提取特征的分类算法，存在需要专业领域知识、耗时费力、提取高质量特征困难等问题。
为此，采用一种改进的深度卷积神经网络模型，实现了乳腺癌病理图像的自动分类;同时，利用数据增强和迁移学习方法，有效避免了深度学习模型受样本量限制时易出现的过拟合问题。
实验结果表明，该方法的识别率可达到91%，且具有较好的鲁棒性和泛化性
2024/8/3 5:11:41
632KB
1
用于项目的现代Web入门套件总览WebStarterKit（WSK）-是用于Web开发的自以为是的样板。
用于在许多设备上构建出色体验的工具。
对于行业的专业人士和新手来说都是一个坚实的起点。
目录浏览器支持目前，我们正式旨在支持以下浏览器的最后两个版本：Chrome边缘火狐浏览器苹果浏览器的iOSChromeAndroid这并不是说WSK不能在比所反映的版本更旧的浏览器中使用，而仅仅是我们将重点放在确保我们的布局在上述版本中运行良好。
产品特点特征概要轻松启动我们不使用响应式样板。
您可以自由决定以哪种方式响应网站。
只需从src/html开始使用index.html。
HTML模板使用模板化html文件。
Sass支持轻松地将编译为CSS，带来对变量，mixin等的支持（运行npmrundev或gulp进行项目编译）。
在我们的WSK中，我们使用版本的编译器并遵循。
PostCSS支持PostCSS连接最有用的插件库，以优化CSS。
在我们的WSK中，我们使用，，等。
JavaScriptES6+支持可选Ja
用于在许多设备上构建出色体验的工具。
对于行业的专业人士和新手来说都是一个坚实的起点。
目录浏览器支持目前，我们正式旨在支持以下浏览器的最后两个版本：Chrome边缘火狐浏览器苹果浏览器的iOSChromeAndroid这并不是说WSK不能在比所反映的版本更旧的浏览器中使用，而仅仅是我们将重点放在确保我们的布局在上述版本中运行良好。
产品特点特征概要轻松启动我们不使用响应式样板。
您可以自由决定以哪种方式响应网站。
只需从src/html开始使用index.html。
HTML模板使用模板化html文件。
Sass支持轻松地将编译为CSS，带来对变量，mixin等的支持（运行npmrundev或gulp进行项目编译）。
在我们的WSK中，我们使用版本的编译器并遵循。
PostCSS支持PostCSS连接最有用的插件库，以优化CSS。
在我们的WSK中，我们使用，，等。
JavaScriptES6+支持可选Ja
2024/8/2 10:31:07
45KB
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