本项目包含如下几种视音频数据解析示例：(1)像素数据处理程序。
包含RGB和YUV像素格式处理的函数。
(2)音频采样数据处理程序。
包含PCM音频采样格式处理的函数。
(3)H.264码流分析程序。
可以离散并解析NALU。
(4)AAC码流分析程序。
可以离散并解析ADTS帧。
(5)FLV封装格式分析程序。
可以将FLV中的MP3音频码流离散出来。
(6)UDP-RTP协议分析程序。
可以将分析UDP/RTP/MPEG-TS数据包。
包含RGB和YUV像素格式处理的函数。
(2)音频采样数据处理程序。
包含PCM音频采样格式处理的函数。
(3)H.264码流分析程序。
可以离散并解析NALU。
(4)AAC码流分析程序。
可以离散并解析ADTS帧。
(5)FLV封装格式分析程序。
可以将FLV中的MP3音频码流离散出来。
(6)UDP-RTP协议分析程序。
可以将分析UDP/RTP/MPEG-TS数据包。
2021/9/10 12:31:29
23.81MB
1
利用聚类技术实现纹理图像分割a）针对合成纹理图像（共有4个合成纹理图像，见文件夹：data\Texture_mosaic）中每一个像素提取纹理特征向量（提取纹理特征的方法可以为课堂讲的，也可以自己查找资料）；
b）利用聚类技术（推荐用k-均值聚类，可以从网上查找原码）对特征向量空间中的点进行聚类，类别数可根据图像中的实际纹理类数确定。
最后把类属标签映射成图像方式显示（如下图，其中b、d、f、h为相应的基准分割图像）。
b）利用聚类技术（推荐用k-均值聚类，可以从网上查找原码）对特征向量空间中的点进行聚类，类别数可根据图像中的实际纹理类数确定。
最后把类属标签映射成图像方式显示（如下图，其中b、d、f、h为相应的基准分割图像）。
2020/5/14 20:01:48
827KB
1
MNIST应该是最简单，也是最好的起始数据集，使用极为简单的分类器就可以达到不错的泛化准确率（何为泛化？即我们的模型对于没有进入训练集的判断能力，反应了模型能否正确或是鲁棒），实际上，基本上由图像各密集像素区的简单分布就可以达到分类手写数字识别的目的（特别是限制了手写范围，数字一般处于居中的位置的时候）。
此为其下载的脚本文件，此外，只需要一次下载后即可无须下载立刻使用，具体请看我的教程。
此为其下载的脚本文件，此外，只需要一次下载后即可无须下载立刻使用，具体请看我的教程。
2019/9/19 21:57:15
1KB
1
利用opencv的亚像素级别的边缘检测和获取，添加了原有程序的包含文件和库，可以直接调试运转，个边参数可以根据实际情形修改
2018/2/20 2:47:52
12.47MB
1
在深入分析二维高斯分布公式的基础上，通过将光斑中心整像素坐标和亚像素坐标进行分离，推导出一种无需求解广义逆矩阵的高斯曲面解析算法，该方法综合利用窗口内的所有像素灰度信息，通过解析表达式直接计算高斯分布光斑的亚像素中心位置；
并且对传统高斯曲面拟合法求解过程进行了优化，提出一种愈加高效的定参高斯拟合法。
与传统高斯曲面拟合法相比，提出的两种方法具有基本相同的稳定性和定位精度，但运行效率分别提高了278倍和78倍以上。
并且对传统高斯曲面拟合法求解过程进行了优化，提出一种愈加高效的定参高斯拟合法。
与传统高斯曲面拟合法相比，提出的两种方法具有基本相同的稳定性和定位精度，但运行效率分别提高了278倍和78倍以上。
2020/6/22 1:40:39
2MB
1
單個圖像研究3D形狀建模，並在三個方面對其做出貢獻。
首先，我們介紹了Pix3D，這是一個具有像素級2D-3D對齊的各種圖像形狀對的大規模基準。
Pix3D在形狀相關的任務中有著廣泛的應用，包括重建、檢索、視點估計等。
然而，構建這樣一個大規模的數據集是非常具有挑戰性的；
現有數據集要么僅包含合成數據，要么缺乏2D圖像和3D形狀之間的精確對齊，或者只要少量圖像。
其次，我們通過行為研究校準了3D形狀重建的評估標準，並用它們來客觀、系統地對Pix3D上的尖端重建算法進行基準測試。
第三，我們設計了一個同時執行3D重建和姿態估計的新模型需要安裝下列庫GCC4.8.5CUDA8.0Python3.6.4TensorFlow1.1.0numpy1.14.0skimage0.13.1numba0.36.2scipy1.0.0tqdm4.19.4
首先，我們介紹了Pix3D，這是一個具有像素級2D-3D對齊的各種圖像形狀對的大規模基準。
Pix3D在形狀相關的任務中有著廣泛的應用，包括重建、檢索、視點估計等。
然而，構建這樣一個大規模的數據集是非常具有挑戰性的；
現有數據集要么僅包含合成數據，要么缺乏2D圖像和3D形狀之間的精確對齊，或者只要少量圖像。
其次，我們通過行為研究校準了3D形狀重建的評估標準，並用它們來客觀、系統地對Pix3D上的尖端重建算法進行基準測試。
第三，我們設計了一個同時執行3D重建和姿態估計的新模型需要安裝下列庫GCC4.8.5CUDA8.0Python3.6.4TensorFlow1.1.0numpy1.14.0skimage0.13.1numba0.36.2scipy1.0.0tqdm4.19.4
2015/8/2 5:20:08
38KB
1
传统的等比例缩放技术，直接将图像整体缩放为目标尺寸，这样做通常会破坏图像内容的比例关系，因为会出现目标长宽比与源图像长宽比不一的情况，图像内容因此会遭到损失，另一方面如果目标尺寸较小而源图像的重要信息区域占整幅图像比例不大的情况下进行等比例缩放的结果是，图像信息同样会损失严重。
图像智能缩放算法不同于传统的缩放技术，该算法根据图像内容的分析得出图像重要信息的分布情况，然后尽可能保留重要信息的同时，对图像进行连续且单调的像素路径的移除或插入操作，最后在保证图像矩形格式不变的前提下，缩放生成满足目标图像尺寸。
图像智能缩放算法不同于传统的缩放技术，该算法根据图像内容的分析得出图像重要信息的分布情况，然后尽可能保留重要信息的同时，对图像进行连续且单调的像素路径的移除或插入操作，最后在保证图像矩形格式不变的前提下，缩放生成满足目标图像尺寸。
2018/1/4 13:05:10
1.52MB
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