本段代码是利用大津法分割阈值，获得二值图像，随后利用小面积法删除背景区域，经过运算获得肺实质的掩模图像，最后，经过原dcm图像与掩模图像的运算，获得完整的肺实质图像，完成肺实质的粗提取。
2025/5/7 2:03:01
3KB
1
以新疆红富士苹果为研究对象,探讨应用高光谱图像技术和最小外接矩形法预测其大小的研究方法。
提取苹果高光谱图像中可见红色区域受色度影响较小的713nm以及近红外区域793和852nm的3个波长图像,做双波段比运算处理。
比较所得双波段比图像可知,852/713双波段比图像中背景和前景灰度对比度最大。
对该图像做阈值分割以及形态闭运算去除果梗区域,使用8邻接边界跟踪法得到二值图像的轮廓坐标序列,采用最小外接矩形法求苹果的大小,与实测值建立回归方程。
结果表明,基于高光谱图像技术采用波段比算法,结合最小外接矩形法,能够有效地检测苹果大小,预测值与实际值最大绝对误差为3.06mm,均方根误差为1.21mm。
提取苹果高光谱图像中可见红色区域受色度影响较小的713nm以及近红外区域793和852nm的3个波长图像,做双波段比运算处理。
比较所得双波段比图像可知,852/713双波段比图像中背景和前景灰度对比度最大。
对该图像做阈值分割以及形态闭运算去除果梗区域,使用8邻接边界跟踪法得到二值图像的轮廓坐标序列,采用最小外接矩形法求苹果的大小,与实测值建立回归方程。
结果表明,基于高光谱图像技术采用波段比算法,结合最小外接矩形法,能够有效地检测苹果大小,预测值与实际值最大绝对误差为3.06mm,均方根误差为1.21mm。
2025/4/29 18:04:53
359KB
1
改进的Bradley二值化matlab程序，相比bersen或otsu算法，有较快的速率和较好的二值化效果，可以克服一定的光照不均。
2025/4/22 6:50:53
2KB
1
OPENCVANN(类神经网路)手写数字辨识(opencv249_ann_digital_number)资料来源:https://blog.csdn.net/cherrywish/article/details/78761411https://blog.csdn.net/qq_15947787/article/details/51385861opencv249_ann_digital_number01-彩色转灰阶imread、改变图像解析度resize、灰阶转二值化threshold、二维数据转一维数据reshape、影像数据转ML运算数据convertTo、类神经CvANN_MLP、取出ML运算结果minMaxLoc目前训练结果-128,128*2,10opencv249_ann_digital_number02-彩色转灰阶imread、改变图像解析度resize、灰阶转二值化threshold、二维数据转一维数据reshape、影像数据转ML运算数据convertTo、类神经CvANN_MLP、取出ML运算结果minMaxLoc目前训练结果-128,128*2,10一亿次或10万分之一的误差为中止条件
2025/4/21 19:02:55
38.79MB
1
基于Opencv实现的图像纠偏算法，使用的是边缘检测。
先进行图像二值化，在进行黑边裁剪，最后进行纠偏旋转代码利用改进hough变换实现图像旋转纠偏
先进行图像二值化，在进行黑边裁剪，最后进行纠偏旋转代码利用改进hough变换实现图像旋转纠偏
2025/4/15 6:55:49
453KB
1
各种边缘检测算子；
灰度变换（对数变换）；
加噪声；
锐化（边缘增强）；
神经网络分类；
图像二值化；
线性平滑滤波；
直方图均衡化；
直方图均衡化及规定化；
中值滤波
灰度变换（对数变换）；
加噪声；
锐化（边缘增强）；
神经网络分类；
图像二值化；
线性平滑滤波；
直方图均衡化；
直方图均衡化及规定化；
中值滤波
2025/4/3 7:27:26
54KB
1
选用背景差分法和形态学算法提取目标骨架，骨架提取经历九步：图像灰度化，背景差分法提取目标轮廓，使用CLAHE算法增强对比度，高斯滤波，Solel算子进行边缘检测，小波去噪，最大类间误差法二值化，形态学运算和中值滤波。
然后用基于人体比例的方法初步判断跌倒情况，再用基于运动趋势的精准判断跌倒情况。
算法总体效果可以，误检较少。
然后用基于人体比例的方法初步判断跌倒情况，再用基于运动趋势的精准判断跌倒情况。
算法总体效果可以，误检较少。
2025/3/28 6:38:04
3KB
1
此文件收集了一些经常用到的纹理特征提取的代码，包括GLCM（灰度共生矩阵）、GGCM、GLDS（灰度差分统计）、Tamura纹理特征、LBP（局部二值模式）、HMRF、gabor变换、小波变换、Laws纹理测量等，希望给有需要的人省去一些找代码的麻烦
2025/3/15 18:52:56
116B
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