杂点的处理杂点就是测量错误的点（不是噪声），是无效的点，放大后就看得出、很明显地离开零件表面，孤立的点。
譬如，激光扫描仪生成的图像里就比较多杂点，散布在图像四周，轮廓边缘外尤其多；
而CMM的杂点通常较少，或因为零件表面很粗糙、很蹩脚，或出现在测量沟、台、孔处，或因测量时的抖动引起。
对这样的点，一般用手工或使用分离点（DisconnectedComponents）、轮廓（Outliers）将其选择后再删除
譬如，激光扫描仪生成的图像里就比较多杂点，散布在图像四周，轮廓边缘外尤其多；
而CMM的杂点通常较少，或因为零件表面很粗糙、很蹩脚，或出现在测量沟、台、孔处，或因测量时的抖动引起。
对这样的点，一般用手工或使用分离点（DisconnectedComponents）、轮廓（Outliers）将其选择后再删除
2018/4/26 3:08:06
566KB
1
Frangi滤波是基于Hessian矩阵构造出来的一种边缘检测增强滤波算法在上面的Hessian程序中，高斯平滑参数σ为标准差，对于血管这种线形结构，当尺度因子σ与血管的实际宽度最婚配时，滤波器的输出最大。
所以作为空间尺度因子，迭代可以得到不同尺度的输出。
局部特性分析的窗口矩形的半宽一般为3σ。
所以作为空间尺度因子，迭代可以得到不同尺度的输出。
局部特性分析的窗口矩形的半宽一般为3σ。
2015/7/8 15:20:25
4KB
1
https://blog.csdn.net/weixin_42346564/article/details/84950981步骤1：用高斯滤波器平滑处理原图像；
步骤2：用一阶偏导的无限差分进行计算梯度的幅值和方向；
步骤3：对梯度幅值进行非极大值抑制；
步骤4：用双阈值算法检测和连接边缘。
步骤2：用一阶偏导的无限差分进行计算梯度的幅值和方向；
步骤3：对梯度幅值进行非极大值抑制；
步骤4：用双阈值算法检测和连接边缘。
2015/2/13 9:03:18
796KB
1
本资源主要分为三个部分：车牌定位字符分割字符识别，每个部分都可单独运行。
车牌定位采用数学形状学和颜色特征相结合的方法。
首先对图片进行开闭运算、轮廓检测等数学形状学操作突出车牌区域，然后依据车牌的形状特征去除部分干扰区域，并利用仿射变换对可疑车牌区域进行倾斜矫正，最后根据车牌颜色特征选取最终区域，同时确定车牌的颜色。
字符分割基于投影法，利用二值化图像像素的分布直方图进行分析。
其中水平投影确定字符区域并去除上下边框，垂直投影找出相邻字符的分界点，并通过适当算法组合分离的汉字和去除车牌上的分隔点、边缘等干扰；
字符识别基于keras框架，首先搭建卷积神经网络对训练集进行训练，准确率达到97.87%，然后利用训练好的模型对分割下的字符逐一进行识别，最终组成车牌号码，实现车牌识别的目标。
车牌定位采用数学形状学和颜色特征相结合的方法。
首先对图片进行开闭运算、轮廓检测等数学形状学操作突出车牌区域，然后依据车牌的形状特征去除部分干扰区域，并利用仿射变换对可疑车牌区域进行倾斜矫正，最后根据车牌颜色特征选取最终区域，同时确定车牌的颜色。
字符分割基于投影法，利用二值化图像像素的分布直方图进行分析。
其中水平投影确定字符区域并去除上下边框，垂直投影找出相邻字符的分界点，并通过适当算法组合分离的汉字和去除车牌上的分隔点、边缘等干扰；
字符识别基于keras框架，首先搭建卷积神经网络对训练集进行训练，准确率达到97.87%，然后利用训练好的模型对分割下的字符逐一进行识别，最终组成车牌号码，实现车牌识别的目标。
2016/3/27 9:11:01
47.82MB
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