机器视觉系统是指通过机器视觉产品将被摄取目标根据像素分布和亮度、颜色等信息，转变成数字化信号，传送给专用的图像处理系统，图像处理系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
2024/2/23 23:12:15
2.54MB
1
轮廓分析概括coRPysprofiling是一个开放源代码库，旨在将探索性数据分析和可视化引入自然语言处理领域。
软件包中的函数将用于为单个文本语料库提供一些基本统计信息和可视化效果，或者提供将多个语料库彼此进行比较的功能。
安装您可以使用以下方法从安装coRPysprofiling的发行版本：install.packages("coRPysprofiling")特征一些特定功能包括：corpus_analysis：语料库分析将生成有关单个语料库特征的统计报告（例如，唯一单词数，平均单词/句子长度，使用的最高单词，主题分析）。
corpus_viz：corpus_viz将生成单个语料库的相关可视化效果（例如，词云，平均单词/句子长度的直方图，使用的最高单词）。
corpora_compare：给定两个或多个语料库，corpora_compare将在每对语料库之
软件包中的函数将用于为单个文本语料库提供一些基本统计信息和可视化效果，或者提供将多个语料库彼此进行比较的功能。
安装您可以使用以下方法从安装coRPysprofiling的发行版本：install.packages("coRPysprofiling")特征一些特定功能包括：corpus_analysis：语料库分析将生成有关单个语料库特征的统计报告（例如，唯一单词数，平均单词/句子长度，使用的最高单词，主题分析）。
corpus_viz：corpus_viz将生成单个语料库的相关可视化效果（例如，词云，平均单词/句子长度的直方图，使用的最高单词）。
corpora_compare：给定两个或多个语料库，corpora_compare将在每对语料库之
2024/2/23 18:47:48
6KB
1
使用java语言实现的图像特征提取算法，能够对图像进行特征提取具有一定的参考性。
收分不高，相信可以对你有一定的启示作用。
收分不高，相信可以对你有一定的启示作用。
2024/2/23 1:48:40
36KB
1
Hausdorff距离匹配代码，实现了CANNY边缘特征点、HARRIS特征点、SIFT特征点、SURF特征点的Hausdorff距离匹配
2024/2/22 19:30:22
3MB
1
40M比较大，差点不能上传，绝对的好东西。
人脸识别是图像处理领域的一个重要技术，是该领域非常活跃的研究课题。
它是基于人类脸部特征信息进行身份识别的一种模式识别技术。
由于人脸图像的特殊性，要使这项技术完全成熟并能够应用到现实生活中，还需要有很多亟待解决的问题，因此，人脸识别研究具有很大的挑战性，一直是模式识别领域的研究热点。
人脸识别的过程主要分为三个阶段：人脸检测、特征提取以及分类识别。
针对目前常用的人脸识别方法中存在着一些缺陷，如计算量大，图像受光照、表情、姿态的影响较大等问题，本文提出基于图像处理的方法，获得更好的识别效果。
2．主要内容（1）熟悉目前常用的人脸识别方法；
（2）了解图像处理中应用于模式识别的方法，；
（3）选定用于人脸识别的图像处理方法；
（4）人脸特征提取；
（5）人脸的分类识别；
人脸识别是图像处理领域的一个重要技术，是该领域非常活跃的研究课题。
它是基于人类脸部特征信息进行身份识别的一种模式识别技术。
由于人脸图像的特殊性，要使这项技术完全成熟并能够应用到现实生活中，还需要有很多亟待解决的问题，因此，人脸识别研究具有很大的挑战性，一直是模式识别领域的研究热点。
人脸识别的过程主要分为三个阶段：人脸检测、特征提取以及分类识别。
针对目前常用的人脸识别方法中存在着一些缺陷，如计算量大，图像受光照、表情、姿态的影响较大等问题，本文提出基于图像处理的方法，获得更好的识别效果。
2．主要内容（1）熟悉目前常用的人脸识别方法；
（2）了解图像处理中应用于模式识别的方法，；
（3）选定用于人脸识别的图像处理方法；
（4）人脸特征提取；
（5）人脸的分类识别；
2024/2/20 15:41:42
39.67MB
1
好久没写博文了，心里痒痒（也许是换工作后，有点时间了吧）。
最近好像谈论微服务的人比较多，也开始学习一下，但是都有E文，看起来半懂不懂的。
Martinfowler的《微服务》，也算是入门必读了。
有人翻译过，但是只有一半。
还是自己练练手吧。
“微服务架构”一词在过去几年里广泛的传播，它用于描述一种独立部署的软件应用设计方式。
这种架构方式并没有非常准确的定义，但是在业务能力、自动部署、端对端的整合、对语言及数据的分散控制上，却有着显著特征。
“微服务”----只不过在满大街充斥的软件架构中的一新名词而已。
尽管我们非常鄙视这样的东西，但是这玩意所描述的软件风格，越来越引起我们的注意。
在过去几年里，我们发
最近好像谈论微服务的人比较多，也开始学习一下，但是都有E文，看起来半懂不懂的。
Martinfowler的《微服务》，也算是入门必读了。
有人翻译过，但是只有一半。
还是自己练练手吧。
“微服务架构”一词在过去几年里广泛的传播，它用于描述一种独立部署的软件应用设计方式。
这种架构方式并没有非常准确的定义，但是在业务能力、自动部署、端对端的整合、对语言及数据的分散控制上，却有着显著特征。
“微服务”----只不过在满大街充斥的软件架构中的一新名词而已。
尽管我们非常鄙视这样的东西，但是这玩意所描述的软件风格，越来越引起我们的注意。
在过去几年里，我们发
2024/2/19 16:37:49
426KB
1
在机器人视觉系统中运用SIFT描述子对现实世界中的目标进行识别，这一研究已经取得了很大的进步。
运用SIFT生成的图像特征向量的性能十分稳定，对旋转、缩放、平移是保持不变性的，对一定程度目标遮挡、光照变化、视点变化、杂物场景和噪声等也能保持很好的不变性。
RANSAC算法早就已经是计算机视觉领域常用的一个进行矫正的标准方法，在标准的RANSAC算法基础上加入了假设评价，改进为R-RANSAC（TheRandomizedRANSAC）算法。
对这两个方面进行论述，运用SIFT（尺度不变特征变换）算法对双目机器人的两幅视觉图像进行匹配，采用带SPRT的R-RANSAC改进算法对匹配过程进行优化，尽可能在短的时间里完成匹配矫正，进而加速整个配准的时间。
运用SIFT生成的图像特征向量的性能十分稳定，对旋转、缩放、平移是保持不变性的，对一定程度目标遮挡、光照变化、视点变化、杂物场景和噪声等也能保持很好的不变性。
RANSAC算法早就已经是计算机视觉领域常用的一个进行矫正的标准方法，在标准的RANSAC算法基础上加入了假设评价，改进为R-RANSAC（TheRandomizedRANSAC）算法。
对这两个方面进行论述，运用SIFT（尺度不变特征变换）算法对双目机器人的两幅视觉图像进行匹配，采用带SPRT的R-RANSAC改进算法对匹配过程进行优化，尽可能在短的时间里完成匹配矫正，进而加速整个配准的时间。
2024/2/17 5:39:03
538KB
1
二维码的特征识别和信息识别，具体的介绍参考http://blog.csdn.net/iamqianrenzhan/article/details/79117119
2024/2/16 7:28:29
7.44MB
1
matlabPCA的m文件。
数据集Iris是常用的分类实验数据集，由Fisher,1936收集整理。
CSDN上原来有一个arff格式的鸢尾花数据集，不方便matlab直接调用。
我的这个数据集是txt格式的，在matlab下可以直接一句命令“load('iris.txt')”加载。
iris以鸢尾花的特征作为数据来源，常用在分类操作中。
该数据集由3种不同类型的鸢尾花的50个样本数据构成。
其中的一个种类与另外两个种类是线性可分离的，后两个种类是非线性可分离的。
该数据集包含了5个属性：&Sepal.Length（花萼长度），单位是cm;&Sepal.Width（花萼宽度），单位是cm;&Petal.Length（花瓣长度），单位是cm;&Petal.Width（花瓣宽度），单位是cm;&种类：IrisSetosa（山鸢尾）、IrisVersicolour（杂色鸢尾），以及IrisVirginica（维吉尼亚鸢尾
数据集Iris是常用的分类实验数据集，由Fisher,1936收集整理。
CSDN上原来有一个arff格式的鸢尾花数据集，不方便matlab直接调用。
我的这个数据集是txt格式的，在matlab下可以直接一句命令“load('iris.txt')”加载。
iris以鸢尾花的特征作为数据来源，常用在分类操作中。
该数据集由3种不同类型的鸢尾花的50个样本数据构成。
其中的一个种类与另外两个种类是线性可分离的，后两个种类是非线性可分离的。
该数据集包含了5个属性：&Sepal.Length（花萼长度），单位是cm;&Sepal.Width（花萼宽度），单位是cm;&Petal.Length（花瓣长度），单位是cm;&Petal.Width（花瓣宽度），单位是cm;&种类：IrisSetosa（山鸢尾）、IrisVersicolour（杂色鸢尾），以及IrisVirginica（维吉尼亚鸢尾
2024/2/15 18:13:37
2KB
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