AMG8833红外矩阵传感器stm32程序demo，需要的可以拿来参考下。
松下的这款AMG8833红外热像仪传感器是一个8x8的红外热传感器阵列。
当连接到您的微控制器（或RaspberryPi）时，它将通过I2C返回一组64个单独的红外温度读数。
这就像那些花式热像仪，但紧凑而简单，便于集成。
AMG8833是松下的下一代8x8热红外传感器，并提供比以前的AMG8831更高的性能。
传感器仅支持I2C，并且具有可配置的中断引脚，当任何单个像素高于或低于您设置的阈值时，该引脚可以触发。
松下的这款AMG8833红外热像仪传感器是一个8x8的红外热传感器阵列。
当连接到您的微控制器（或RaspberryPi）时，它将通过I2C返回一组64个单独的红外温度读数。
这就像那些花式热像仪，但紧凑而简单，便于集成。
AMG8833是松下的下一代8x8热红外传感器，并提供比以前的AMG8831更高的性能。
传感器仅支持I2C，并且具有可配置的中断引脚，当任何单个像素高于或低于您设置的阈值时，该引脚可以触发。
2025/4/15 4:33:36
800KB
1
Ostu方法又名最大类间差方法，通过统计整个图像的直方图特性来实现全局阈值T的自动选取，其算法步骤为：1)先计算图像的直方图，即将图像所有的像素点按照0~255共256个bin，统计落在每个bin的像素点数量2)归一化直方图，也即将每个bin中像素点数量除以总的像素点3)i表示分类的阈值，也即一个灰度级，从0开始迭代4)通过归一化的直方图，统计0~i灰度级的像素(假设像素值在此范围的像素叫做前景像素)所占整幅图像的比例w0，并统计前景像素的平均灰度u0；
统计i~255灰度级的像素(假设像素值在此范围的像素叫做背景像素)所占整幅图像的比例w1，并统计背景像素的平均灰度u1；
5)计算前景像素和背景像素的方差g=w0*w1*(u0-u1)(u0-u1)6)i++；
转到4)，直到i为256时结束迭代7）将最大g相应的i值作为图像的全局阈值
统计i~255灰度级的像素(假设像素值在此范围的像素叫做背景像素)所占整幅图像的比例w1，并统计背景像素的平均灰度u1；
5)计算前景像素和背景像素的方差g=w0*w1*(u0-u1)(u0-u1)6)i++；
转到4)，直到i为256时结束迭代7）将最大g相应的i值作为图像的全局阈值
2025/4/13 20:54:49
3KB
1
通过MATLAB实现了最小生成树算法中的Kruskal算法，而且可以通过设置阈值进行聚类（包含数据集哟）
2025/3/20 1:48:11
8KB
1
为了实现较好保留图像边缘特征的有效去噪,提出了一种基于边缘检测的Contourlet变换去噪方法。
该方法先用LOG算子提取图像边缘,进而在Contourlet变换域上对图像的边缘部分和非边缘部分分别选取不同阈值进行最佳软阈值去噪处理。
实验表明,与采用Donoho软阈值的Contourlet变换去噪方法相比,该方法可有效地保留图像的边缘信息,达到了更好的去噪效果。
该方法先用LOG算子提取图像边缘,进而在Contourlet变换域上对图像的边缘部分和非边缘部分分别选取不同阈值进行最佳软阈值去噪处理。
实验表明,与采用Donoho软阈值的Contourlet变换去噪方法相比,该方法可有效地保留图像的边缘信息,达到了更好的去噪效果。
2025/3/16 12:55:41
564KB
1
区域复制粘贴篡改检测算法是以图像块匹配为基础的，然而传统的匹配算法计算量大，匹配速度慢，效率低下.针对现有的图像内区域复制粘贴检测算法计算量大，时间复杂度高的问题提出一种有效快速的检测与定位篡改区域算法.首先利用小波变换获取图像低频区域，然后对得到的图像低频部分进行分割，然后对分割后得到的每个图像块进行DCT变换，通过特征向量排序缩小匹配空间，最后通过经验阈值进行真伪鉴定，实验结果表明该算法过程中除掉图像冗余，减少检测块数，降低了时间复杂度，提高了检测效率。
2025/3/12 21:49:09
741KB
1
Qt自带的QSlider滑块控件只能是单向的控制阈值，某些情况下要使得可以左右上限可调控的话只能是使用两个或者多个QSlider，但是也有很多是朋友是通过继承QWidget自写了一个可调控的双向滑块，虽然能满足需求，但是样式、性能等方面也许有所不足，这里我推荐一个Qt的第三方控件库QtExtensionLibrary，其中包含了一个对QSlider的重写类QxtSpanSlider，这个类满足了需求。
但是如果给继承了这个类的控件设置了样式后那就有问题了，所以我在QxtSpanSlider基础上稍作了些修改使得其看上去更加美观。
但是如果给继承了这个类的控件设置了样式后那就有问题了，所以我在QxtSpanSlider基础上稍作了些修改使得其看上去更加美观。
2025/2/28 20:11:42
9KB
1
1-ENVI基础知识2-影像预处理基础3-自定义坐标系4-MODIS几何校正5-地形图的几何校正6-几何校正(RapidEye几何校正)7-TM图像与SPOT图像配准8-TM图像校正（矢量上选点）9-图像融合10-图像镶嵌11-图像裁剪12-图像增强13-监督分类（样本选择）14-监督分类（分类）15-监督分类（分类后处理）16-监督分类（精度验证）17-非监督分类18-快速制图19-三维可视20-基于GLT的几何校正（风云三号气象卫星为例）21-正射校正22-正射校正（选择控制点QB校正）23-RapidEye正射校正24-构建RPC正射校正（BuildRPC）25-图像自动配准26-基于专家知识决策树分类27-决策树自动阈值分类28-面向对象图像分类(城市信息提取)29-面向对象耕地信息提取30-基于立体像对的DEM提取31-DEM分析与应用32-遥感动态监测33-林冠状态遥感变化监测34-森林砍伐监测35-耕地信息变化监测36-雷达图像基本处理37-高光谱基础38-传感器定标和大气校正39-快速大气校正40-波谱库浏览与建立41-植被识别42-矿物识别43-基于波谱沙漏工具的矿物识别44-植被指数计算和分析45-波段运算（bandmath）46-ENVI的二次开发47-IDL简介48-遥感与GIS一体化
2025/2/19 18:06:16
251KB
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