Matlab写的区域生长图像分割程序。
%区域生长算法:regionfunctionLabelImage=region(image,seed,Threshold,maxv)%image:输入图像%seed：种子点坐标堆栈%threshold：用邻域近似生长规则的阈值%maxv：所有生长的像素的范围小于maxv%LabelImage:输出的标记图像，其中每个像素所述区域标记为rn[seedNum,tem]=size(seed);%seedNum为种子个数[Width,Height]=size(image);LabelImage=zeros(Width,Height);rn=0;%区域标记号码fori=1:seedNum%从没有被标记的种子点开始进行生长ifLabelImage(seed(i,1),seed(i,2))==0rn=rn+1;%%对当前生长区域赋标号值LabelImage(seed(i,1),seed(i,2))=rn;%endstack(1,1)=seed(i,1);%将种子点压入堆栈（堆栈用来在生长过程中的数据坐标）stack(1,2)=seed(i,2);Start=1;%定义堆栈起点和终点End=1;while(Start＜=End)%当前种子点坐标CurrX=stack(Start,1);CurrY=stack(Start,2);%对当前点的8邻域进行遍历form=-1:1forn=-1:1%%判断像素（CurrX，CurrY）是否在图像内部%rule1=(CurrX+m)=1&(CurrY+n)=1;%%判断像素（CurrX，CurrY）是否已经处理过%rule2=LabelImage(CurrX+m,CurrY+n)==0;%%判断生长条件是否满足%rule3=abs(double(image(CurrX,CurrY))-double(image(CurrX+m,CurrY+n)))＜Threshold;%%条件组合%rules=rule1&rule2&rule3;if(CurrX+m)=1&(CurrY+n)=1&LabelImage(CurrX+m,CurrY+n)==0&abs(double(image(CurrX,CurrY))-double(image(CurrX+m,CurrY+n)))＜=Threshold&image(CurrX+m,CurrY+n)0%堆栈的尾部指针后移一位End=End+1;%像素（CurrX+m,CurrY+n)压入堆栈stack(End,1)=CurrX+m;stack(End,2)=CurrY+n;%把像素（CurrX,CurrY)设置成逻辑1LabelImage(CurrX+m,CurrY+n)=rn;endendend%堆栈的尾部指针后移一位Start=Start+1;endend

We have developed high damage threshold filters to modify the spatial profile of a high energy laser beam. The filters are formed by laser ablation of a transmissive window. The ablation sites constitute scattering centers which can be filtered in a subsequent spatial filter. By creating the filters in dielectric materials, we see an increased laser-induced damage threshold from previous filters created using ‘metal on glass’ lithography.

自己编写的matlab程序实现数字图像的模板匹配和相关算法，以及亚像素算法压缩包中含源程序，实例图片和模板，以及模板生成算法。
使用方法：1、设定路径2、打开threshold，F5有问题欢迎提问。

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

1、Python实现社交网络影响力最大化Linear_Threshold（线性阈值模型）算法。
2、对线性阈值模型算法进行优化改进，实现贪心算法。
3、代码中有详细注释说明，测试代码，测试节点数据集，并对数据集进行处理，输出测试结果。
4、代码实现环境：Python2.7,Anoconda2,Pycharm2017。

研究过程中实现的，分享出来。
是一种多种分析图绘制合一的完整函数并对生成谱进行自动的peaks筛选输出。
已经形成自定义函数，放到特定路径下即可直接调用，配有较详细的使用说明style=1,plotamplitudevaluespectrumï¼›%style=2,plotpowerspectrum;%style=3,plotloglogPSD%style=4,pwelchwithsegementsnumber此绘图函数可以输入多种调用参数，如'FrequencyBan'，'Findpeaks'，'MinPeakHeight','MinPeakProminence'，'MinPeakDistance','Threshold','WindowNum','Overlap','Nfft','ustar'等参数控制

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。