源码可以进行海量图像检索，采用GIST算法提取图像特征，欧式距离进行相似性度量，最后返回前20幅相似图像，有完整的GUI界面和完整的图像库。
使用者要注意：初试的输入图像的根目录根据需要调整。
使用者要注意：初试的输入图像的根目录根据需要调整。
2024/4/26 15:19:41
15.1MB
1
基于学习方法构造的冗余字典可更加准确地提取信号的结构特征，也是近几年的研究热点。
论文在研究了基于KSVD字典学习的图像去噪算法的基础上，将相关系数匹配准则和字典裁剪方法相结合，提出一种改进的字典学习算法，进一步，为了利用图像的非局部自相似性信息，提出将自相似性作为一个约束正则项融入到图像去噪模型，提出基于改进字典学习和非局部自相似性的图像去噪算法。
大量实验验证，与传统KSVD去噪方法相比，该方法在提高同质区域平滑性的同时还能保留更多的纹理、边缘等细节特征。
论文在研究了基于KSVD字典学习的图像去噪算法的基础上，将相关系数匹配准则和字典裁剪方法相结合，提出一种改进的字典学习算法，进一步，为了利用图像的非局部自相似性信息，提出将自相似性作为一个约束正则项融入到图像去噪模型，提出基于改进字典学习和非局部自相似性的图像去噪算法。
大量实验验证，与传统KSVD去噪方法相比，该方法在提高同质区域平滑性的同时还能保留更多的纹理、边缘等细节特征。
2024/4/11 16:04:54
4.55MB
1
基于特征点的图像匹配方法的关键是准确快速地将可靠的特征点提取出来。
经典归一化互相关匹配法属于基于特征点匹配方法中的一种，归一化互相关匹配法具有操作简单，匹配精度高等优点，但其计算量庞大，难以满足实时跟踪的要求。
提出了一种基于序贯相似性检测的归一化互相关快速匹配方法，并对提出的改进方法进行实验验证。
实验表明，该方法可以准确快速的进行特征点匹配，减少了算法的计算时间，有效地减少了发生误匹配的概率。
经典归一化互相关匹配法属于基于特征点匹配方法中的一种，归一化互相关匹配法具有操作简单，匹配精度高等优点，但其计算量庞大，难以满足实时跟踪的要求。
提出了一种基于序贯相似性检测的归一化互相关快速匹配方法，并对提出的改进方法进行实验验证。
实验表明，该方法可以准确快速的进行特征点匹配，减少了算法的计算时间，有效地减少了发生误匹配的概率。
2024/3/12 8:13:56
635KB
1
台湾高焕堂编著，真是中国式《HeadFirstUML》。
尽管是快速读完本书，也觉得作者用浅显易懂的文字来描述比得上我大二上了一整个学期的UML课程。
虽然是专门讲UML中的USECASE，但的确是分析系统功能要求、系统外部视图的更好手段。
比那复杂笼统的UML课程要实用得多。
尤其是作者特地讲述了“活动的分解”，流程图、数据流图与USECASE的差异，没看书之前的确是把这些概念混淆起来理解了。
~USECASE就类似于黑箱，是对一个系统内部实现机制、原理的封装，时刻保持以用户(User)的观点来看待一个系统，这是获取用户需求的重要手段。
书中提到：USECASE是表达黑箱观点的高校途径。
USECASE与WebService的相似性。
还有更有价值的是，书中有一半的纸张用于详尽的实例，包括：需求描述、USECASE图、类图、时序图、完整代码，非常有价值。
或许，我要学会像书中那样子以“需求描述、USECASE图、类图、时序图”的流程来分析问题。
尽管是快速读完本书，也觉得作者用浅显易懂的文字来描述比得上我大二上了一整个学期的UML课程。
虽然是专门讲UML中的USECASE，但的确是分析系统功能要求、系统外部视图的更好手段。
比那复杂笼统的UML课程要实用得多。
尤其是作者特地讲述了“活动的分解”，流程图、数据流图与USECASE的差异，没看书之前的确是把这些概念混淆起来理解了。
~USECASE就类似于黑箱，是对一个系统内部实现机制、原理的封装，时刻保持以用户(User)的观点来看待一个系统，这是获取用户需求的重要手段。
书中提到：USECASE是表达黑箱观点的高校途径。
USECASE与WebService的相似性。
还有更有价值的是，书中有一半的纸张用于详尽的实例，包括：需求描述、USECASE图、类图、时序图、完整代码，非常有价值。
或许，我要学会像书中那样子以“需求描述、USECASE图、类图、时序图”的流程来分析问题。
2024/2/27 4:17:15
31.4MB
1
从图像匹配原理着手，采用了3种模板匹配方法：基于德耳塔相关度量，基于改进Hausdorff距离算法和基于序贯相似性检测算法，对机场飞机进行匹配和识别
2024/1/28 4:15:07
138KB
1
Kohonen神经网络算法工作机理为：网络学习过程中，当样本输入网络时，竞争层上的神经元计算输入样本与竞争层神经元权值之间的欧几里德距离，距离最小的神经元为获胜神经元。
调整获胜神经元和相邻神经元权值，使获得神经元及周边权值靠近该输入样本。
通过反复训练，最终各神经元的连接权值具有一定的分布，该分布把数据之间的相似性组织到代表各类的神经元上，使同类神经元具有相近的权系数，不同类的神经元权系数差别明显。
需要注意的是，在学习的过程中，权值修改学习速率和神经元领域均在不断较少，从而使同类神经元逐渐集中。
调整获胜神经元和相邻神经元权值，使获得神经元及周边权值靠近该输入样本。
通过反复训练，最终各神经元的连接权值具有一定的分布，该分布把数据之间的相似性组织到代表各类的神经元上，使同类神经元具有相近的权系数，不同类的神经元权系数差别明显。
需要注意的是，在学习的过程中，权值修改学习速率和神经元领域均在不断较少，从而使同类神经元逐渐集中。
2024/1/20 1:52:34
85KB
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