里面像素鸟的游戏素材全有，当然动画还得自己制造，音乐素材也有，这个游戏属于简单类游戏，素材的量也不是很多，保证很全。

压缩包内包含2000张200x200像素的头像图片，仅供网站论坛等测试使用，请勿非法使用。

基于灰度矩的亚像素边缘检测，精确度可以达到0.1-0.2个像素，内附源代码及次要参考文献，仅供学习参考！

屏幕尺，用来测量屏幕上任意程度或者竖直两点间的长度，可用像素、英寸、公分适用于：测量图片，网页及各种软件界面的尺寸

一、1.Pleasedownloadandinstalltheglutlibrary.2.WriteacompleteprogramusingthefollowingcodestodrawaSierpinskigasket.voidmyinit(){//attributesglClearColor(1.0,1.0,1.0,1.0);glColor3f(1.0,0.0,0.0);//setupviewingglMatrixMode(GL_PROJECTION);glLoadIdentity();gluOrtho2D(0.0,50.0,0.0,50.0);glMatrixMode(GL_MODELVIEW);}voiddisplay(){GLfloatvertices[3][3]={{0.0,0.0,0.0},{25.0,50.0,0.0},{50.0,0.0,0.0}};//anarbitrarytriangleintheplanez=0;GLfloatp[3]={7.5,5.0,0.0};//orsetanydesiredinitialpointwhichisinsidethetriangle;intj,k;intrand();glBegin(GL_POINTS);for(k=0;k＜5000;k++){/*pickarandomvertexfrom0,1,2*/j=rand()%3;//computenewlocation;p[0]=(p[0]+vertices[j][0])/2;p[1]=(p[1]+vertices[j][1])/2;//displaynewpointglVertex3fv(p);}glEnd();glFlush();}#includevoidmain(intargc,char**argv){glutInit(&argc;,argv);glutInitDisplayMode(GLUT_SINGLE|GLUT_RGB);glutInitAWindowSize(500,500);glutInitWindowPosition(0,0);glutCreateWindow(“SimpleOpenGLExample”);glutDisplayFunc(display);myinit();glutMainLoop();}3.实现DDA和Bresenham画线算法(1)画10万以上随机生成的直线段，比较两个算法的平均时间.(2)分别把屏幕上的1*1，5*5,9*9像素当作直线段上的一个点，观察线段的走样情况.二、请写一个OpenGL（如果熟悉WebGL也可以用）程序完成如下任务(1)读入三维网格模型的obj文件;(2)用OpenGL函数glTranslatef()对模型模型进行平移，使得其重心位于原点;(3)用函数glLookAt()设置视点，并且要求试点绕模型一周，以便用透视投影观察各个侧面;(4)要求利用真实感绘制对模型进行渲染.(利用OpenGL函数设置光源，材质，计算好每个三角形的法向量后，利用OpenGL的glNormal函数给待绘制的三角形设置法向量).绘制的结果大概如下：三、本实验为综合实验,任务是利用光线跟踪算法进行Whitted全局光照计算，并对读入场景进行真实感绘制。
（特别提示:网上类似的projects可以参考，但不能照抄.如http://tobias.isenberg.cc/graphics/LabSessions/RaytracingProject,http://physbam.stanford.edu/links/ray_tracing/project_ray_tracing.htmlhttps://www.cs.utexas.edu/~fussell/courses/cs354/assignments/raytracing/handout.shtml）(1)参加对象:本实验针对所有选课同学，3-5人组成一个小组，共同实现；
非15级同学在组队方面有困难的话可与老师沟通.(2)实验结果提交:每人都要求提交一份.内容包括a.源程序;可执行代码;三维场景数据;同组的同学这部

可以间接抓取任何窗口中的像素的值，方便调整图像。

将两幅或多幅图像成功导入系统中。
实现对图像的匹配和去噪工作，使得图像几何对齐以此消除图像间的形状差异并避免将源图像中的噪声当做重要信息保留至融合结果中。
编写完成加权品均算法和主成分分析算法。
程序对源图像像素级灰度值进行处理，依据算法得出相应的融合图像。
通过观察融合结果，体会其算法的不足之处。
编写完成小波融合算法。
程序能够选定合适的小波基，对源图像成功进行小波分解，分别得到低频近似图像和各个尺度、各个方向上的高频细节图像。
低频图像的加权平均融合和高频融合算法运行无误

随着互联网技术的高速发展,越来越多的数据将通过互联网进行传递,目前互联网已成为了最大的信息承载体,显然互联网已经给我们的日常工作和生活带来了诸多方便但是互联网作为一个开放式的交流平台,信息容易遭到非授权用户的攻击,因此信息传递的安全性越来越遭到人们的关注。
如果不能保障信息的安全传递,信息泄露将会极大地困扰着我们,因此,能否保障信息安全势必将成为制约互联网进一步发展的一个重要因素。
数字图像因为直观性的特点,使图像成为人类数据存储的主要方式。
但是数字图像与文本数据不同,其具有的数据量比较大,因此若用传统的文本加密的方法对图像进行加密,比如DES、3DES,实时性将会变得很差,不利于图像的实时传递。
本课题主要研究的是基于混沌理论及空域变换的数字图像加密算法,在对传统的算法研究基础上,应用改进的一维Logistic混沌序列,生成置乱序列及置换序列,并采用了置乱加密与置换加密相结合的方式实现了对数字图像的加密。
本文首先www.youzhiessay.com介绍了密码学的基本概念及组成,阐述了密码编码学与密码分析学的经典算法,并简单介绍了混沌理论的起源、发展及现代混沌理论的定义,着重介绍了本文算法中应用到的混沌序列---NCA混沌序列及Arnold空域变换,并指出了NCA混沌序列所具有的优点及缺点。
然后介绍了针对近年来高分辨率图像越来越多的特点,采用了对不同类型的高分辨率图像采取不同的加密算法,总结出了两种加密算法即图像的全部加密(算法1)及图像的局部加密(算法2)。
在上述两种算法中都采用了先像素值置换加密后图像置乱加密的加密顺序,两个算法采用了相同的像素值置换算法,不同点在于当进行图像置乱时,算法1中采用了基于NCA的图像分块置乱算法,在算法2中采用了基于Arnold空域www.hudonglunwen.com变换的图像分块置乱算法；
在生成像素值置换序列时,采用了截取48位有效数字的方法替代了原有的截取15位有效数字的方法生成置换序列,仿真结果表明,改进后的方法在实时性、自相关性以及分布特性方面都有了明显的改进。
图像的加密算法与解密算法的密钥是样的,又提出了将混沌序列及空域变换的初值用RSA算法进行加密,防止密钥在互联网中传递时遭到非授权用户的窃取。
最后,借助MATLAB平台,论文网kuailelunwen.com，对算法中用到的置换乱序列及换序列进行了仿真验证,并用算法1和算法2对不同的高分辨率图像进行了加密,然后对加密后的图像进行了灰度直方图、自相关性、初值敏感性及自相关性等方面的分析,分析结果表明,本文的加密算法在保证实时性的前提下,有着良好的加密效果

在中国安防产业中视频监控作为最重要的信息获取手段之一，能对目标有效的提取是重要而基础的问题，因此本文在此背景下，围绕对监控视频的前景目标有效的提取问题，研究了关于1）静态背景、动态背景的前景目标提取，能在背景复杂化的条件下，将运动的目标；
2）带抖动视频；
3）静态背景下多摄像头对多目标提取；
4）出现异常事件视频的判断等问题。
给出了在不同情况下的前景目标提取方案。
问题一是针对静态背景且摄像头稳定的情况下，如何对前景目标提取的问题。
在题目要求的基础上，通过对附件2中几组视频的分析，我们发现所有前景目标的运动短暂且光线明暗变化不明显。
由于传统的Vibe算法能抑制鬼影但是运行效果不理想，因此采用建立在帧差法上改进的Vibe算法模型求解问题。
并和传统的Vibe算法做对比，结果显示改进的Vibe算法明显优于传统的算法。
而且对我们的算法模型做了效果评价。
详细数据参考正文与附录。
问题二是在背景为动态（如有水波的产生）的情况下，对前景目标的提取问题。
在此问题中，由于动态背景存在使得提取出的图像帧具有大量的干扰噪声，对前景目标的识别和提取造成干扰，因此我们提出一种基于全局外观一致型的运动目标检测法。
在用Vibe算法对场景预检测的基础上，建立混合高斯模型分别对前景和背景进行全局外观建模，将运动目标检测出来，再引入超像素去噪，进一步优化结果。
详细结果参考正文与附录。
问题三是在问题一、二基础上的进一步深化。
问题一及问题二是建立在摄像机自身稳定的基础上，而问题三则是在摄像机抖动的情况下。
由于摄像机抖动一般具有旋转和平移，因此我们建立了坐标变换模型，以仿射变换作为模型基础，结合改进的高精度鲁棒的RANSAC算法提取前景目标，并对比灰度投影法，比较两种模型效果。
具体效果见正文与附录。
问题四是对前三个问题的综合应用。
运用基于混合高斯模型背景建模Vibe算法，对前景目标进行提取；
选出具有显著前景目标的参考帧，计算参考帧中显著前景目标所占的面积，并将此面积设定为阈值T，遍历所有的视频帧，计算其前景目标所占的面积，通过相减对比，判定显著前景目标。
若判定为显著前景目标则输出其所在视频帧中的帧号，并将显著前景出现的总帧数增加1。
问题五是针对多摄像头多目标的协同跟踪问题。
在问题二的混合高斯模型基础上我们建立了动态背景提取法，对不断变化的背景进行实时更新。
再利用单应性约束法对多目标发生重叠现象进行投影将重叠目标区分开来，对目标进行定位。
由于目标的不断运动，我们采用粒子滤波法对前景目标进行实时跟踪，通过多摄像头的协同通信完成对多前景目标的检测。
问题六是针对监控视频中前景目标出现异常情况时判断能否有异常事件的问题。
在基于稀疏表示的模型上，引入混合高斯模型用于学习不同类型的运动特征规律，然后通过各个单高斯模型中的均值建立一个相似矩阵作为字典。
以测试阶段生成的核矢量为基础，用该局部特征的核矢量计算基于稀疏表示的重构误差，并将其与已设定的阈值进行比较，如果重构误差大于阈值，则判为异常。

SAR图像变化检测方法，包括了对数比和均值比两种较为经典的仿真。
本方法从图像像素的角度出发，对图像像素的灰度值进行操作。
分别才用了均值法和对数比法，然后。
本代码适合老手使用，能让初学者从图像像素灰度值的角度去理解SAR图像形变监测的理论

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。