基于高斯分布的改进版YOLOv3权重文件，基于BDD数据集训练而成。
摘要必须大于50个字!我也是醉了！！！
摘要必须大于50个字!我也是醉了！！！
2024/2/16 22:14:52
235.16MB
1
提出一种基于维纳-辛钦定理计算光学相干层析成像(OCT)系统轴向分辨率δz的通用方法:对光源的功率谱密度分布进行傅里叶逆变换,得到其自相干函数,由其半峰全宽值来获得δz。
利用该方法计算了高斯和非高斯分布光谱光源OCT系统的δz,通过与厂商给出的产品标称值相比较,验证了本方法对于高斯和非高斯分布光谱光源的正确性。
以超宽带白光光源为例,使用滤光片滤除边缘部分光谱后形成非高斯分布光谱,搭建实验系统,实测δz,所得结果与本方法的计算结果较为接近,实验验证了本方法的正确性。
本方法对于非高斯分布光谱光源OCT系统δz的计算结果,能为系统设计时的参数考虑与器件选择等提供依据。
利用该方法计算了高斯和非高斯分布光谱光源OCT系统的δz,通过与厂商给出的产品标称值相比较,验证了本方法对于高斯和非高斯分布光谱光源的正确性。
以超宽带白光光源为例,使用滤光片滤除边缘部分光谱后形成非高斯分布光谱,搭建实验系统,实测δz,所得结果与本方法的计算结果较为接近,实验验证了本方法的正确性。
本方法对于非高斯分布光谱光源OCT系统δz的计算结果,能为系统设计时的参数考虑与器件选择等提供依据。
2024/2/4 19:37:27
5.26MB
1
基于小波变换的自适应多阈值图像去噪-基于小波变换的自适应多阈值图像去噪.rar摘 要 小波图像去噪是小波应用较成功的一个方面,其中最重要的一个环节是最优阈值的确定,为此,提出了一种新的基于小波变换的自适应多阈值图像去噪方法———Multi2Thresholdshrink去噪法,这种方法是在不同子带和不同方向上选择不同的最佳阈值,而最佳阈值的选取是基于Bayes理论,并认为图像的小波系数是服从广义高斯分布的。
通过实验证明,这种方法能很好地对图像去噪,与Donoho等人提出的Visushrink去噪方法和Chang等人提出的Bayesshrink去噪方法相比,不仅提高了去噪后图像的信噪比和最小均方误差,而且也使图像更加清晰,并能更好地适合人眼的视觉特性,从而可在客观和主观上同时获得更佳的去噪效果。
关键词 阈值 去噪 小波变换
通过实验证明,这种方法能很好地对图像去噪,与Donoho等人提出的Visushrink去噪方法和Chang等人提出的Bayesshrink去噪方法相比,不仅提高了去噪后图像的信噪比和最小均方误差,而且也使图像更加清晰,并能更好地适合人眼的视觉特性,从而可在客观和主观上同时获得更佳的去噪效果。
关键词 阈值 去噪 小波变换
2024/1/31 22:48:07
811KB
1
卡尔曼滤波在计算机视觉和图像处理、以及导航等处理上有着广泛的用途。
卡尔曼滤波算法让我们在干扰为高斯分布的情况下，得到的测量均方误差最小，也就是测量值扰动最小，看起来最平滑。
卡尔曼滤波算法让我们在干扰为高斯分布的情况下，得到的测量均方误差最小，也就是测量值扰动最小，看起来最平滑。
2023/6/2 15:20:11
30KB
1
当量子点粒度分布为高斯分布时，应用无效质量近似，在低浓度掺杂范围内，得到了量子点荧光辐射谱线形函数与量子点尺寸之间的一般关系，解释了尺寸涨落对线形展宽的影响。
对II-VI族的CdSe量子点和IV-VI族的PbSe量子点的数值计算表明：量子点荧光谱线的半峰全宽、荧光辐射强度、峰值波长等与实验结果基本一致。
量子点尺寸的粒度分布对荧光辐射谱线展宽有较大的影响。
荧光辐射谱展宽是一种非均匀展宽。
对II-VI族的CdSe量子点和IV-VI族的PbSe量子点的数值计算表明：量子点荧光谱线的半峰全宽、荧光辐射强度、峰值波长等与实验结果基本一致。
量子点尺寸的粒度分布对荧光辐射谱线展宽有较大的影响。
荧光辐射谱展宽是一种非均匀展宽。
2023/2/17 19:49:48
2.87MB
1
模式识别miniproject-脱机手写签名识别，这是每个学习模式识别的同学必做的课程设计miniproject，主要功能要求如下：一共有20个人，在其对应的文件夹中存放了每个人的20个手写签名图像，每幅图像均为PCX图像格式，大小为12994像素大小。
对每个人的手写签名，用其中80%的图像作为训练样本进行训练，用余下的20%的图像进行测试。
在签名图像进行特征提取时，提取6个ET1和6个DT12轮廓特征。
每一个人的手写签名特征假设为48维特征空间的多维高斯分布。
用贝叶斯参数估计法估算概率密度函数（pdf），然后用Bayes分类器识别。
分别计算closetest和opentest下的分类功能。
根据每个类的概率分布函数的最近邻估算来计算贝叶斯识别的opentest识别率。
适用kn最近邻法来直接估算每个类在每个测试样本的后验概率并计算opentest下的分类功能，将该识别率表示为一个关于k的函数并绘图。
这些是基于后验概率的非参数估计的贝叶斯估计。
对每个人的手写签名，用其中80%的图像作为训练样本进行训练，用余下的20%的图像进行测试。
在签名图像进行特征提取时，提取6个ET1和6个DT12轮廓特征。
每一个人的手写签名特征假设为48维特征空间的多维高斯分布。
用贝叶斯参数估计法估算概率密度函数（pdf），然后用Bayes分类器识别。
分别计算closetest和opentest下的分类功能。
根据每个类的概率分布函数的最近邻估算来计算贝叶斯识别的opentest识别率。
适用kn最近邻法来直接估算每个类在每个测试样本的后验概率并计算opentest下的分类功能，将该识别率表示为一个关于k的函数并绘图。
这些是基于后验概率的非参数估计的贝叶斯估计。
2023/1/30 10:20:44
816KB
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