针对图像边缘与轮廓不能精确重构的问题,提出了一种基于灰度共生矩阵的多尺度分块压缩感知算法。
该算法利用三级离散小波变换将图像分解为高频部分和低频部分。
通过灰度共生矩阵的熵分析高频部分图像块的纹理复杂度,并根据图像块纹理进行再分块、自顺应分配采样率。
采用平滑投影Landweber算法重构图像,消除分块引起的块效应。
对多种图像进行压缩重构仿真,实验结果表明,无观测噪声情况、采样率为0.1时,本算法在Mandrill图像上得到的峰值信噪比(PSNR)为25.37dB,比现有非均匀分块算法提高了2.51dB。
不同噪声水平下,本算法的PSNR比无噪时仅下降了0.41~2.05dB。
对于纹理复杂度较高的图像,本算法的重构效果明显优于非均匀分块算法,对噪声具有较好的鲁棒性。

将能够增强图像纹理信息的分数阶微分算子与变分偏微分方程相结合，运用于图像去噪，提出一种基于分数阶偏微分算子的去噪模型。
该模型能够在抑制噪声的同时，更好地保持图像的纹理细节信息。
由于分数阶微分算子的阶数必须通过大量的实验人为确定，因而选择通过计算局部方差来反应图像局部纹理复杂度，自适应地确定分数阶微分的阶数。
实验表明：自适应分数阶偏微分算子不仅继承了TV模型的优点，并且在保持图像细节信息上的能力更强。

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。