墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
181平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
基于稀疏表示的多光谱图像融合（附带Matlab源码）
多光谱图像融合是一种将来自不同波段的光谱信息融合为单幅图像的技术，可以提供更全面、更丰富的信息。在本文中，我们将探讨一种基于稀疏表示的多光谱图像融合方法，并提供相应的Matlab源码。
稀疏表示是一种数学方法，可以用较少的基向量线性表示信号。在多光谱图像融合中，我们可以将每个波段的图像看作是一个信号，通过稀疏表示的方法将它们融合到一起。以下是我们提供的Matlab源码示例：
% 多光谱图像融合
% 读取多光谱图像
image1 = imread('image1.png');
image2 = imread('image2.png'<【图像融合】稀疏表示多光谱图像融合【含Matlab源码 1301期】
稀疏表示多光谱图像融合 完整的代码，方可运行；可提供运行操作视频！适合小白！
【图像融合】基于稀疏表示多光谱图像融合含Matlab源码
1 简介 高分辨率的多光谱图像应用广泛,比如变化监测,目标识别,场景解译.通常,商用光学卫星能够同时提供高空间分辨率的全色图像和低分辨率的多光谱图像.物理条件的限制使得单一传感器无法获得高质量的多光谱图像.于是,利用全色图像的细节来提高多光谱图像的空间分辨率这一思路受到了广大学者的关注.全色和多光谱图像融合的目标在于同时提高空间分辨率和减小光谱失真.实际上,由于全色图像的加入,融合图像的空间分辨率可以得到显著提高,但是,光谱畸变也会随之产生. 稀疏表示理论,作为一种新的信号表示方法,已经应用在许多图像处理
毕设题目：Matlab图像融合
毕设题目：Matlab图像融合 完整代码，方可直接运行，适合小白！可提供运行操作视频！
【两步稀疏表示法】基于两步稀疏表示法的小波变换的图像重建算法的MATLAB仿真
1.软件版本 matlab2013b 2.本算法理论知识 具体可以参考文献 [1] Jiang C , Zhang H , Shen H , et al. Two-Step Sparse Coding for the Pan-Sharpening of Remote Sensing Images[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2014, 7(5):17..
【图像融合】稀疏表示多光谱图像融合（含融合评价指标）【含Matlab源码 1301期】
稀疏表示多光谱图像融合（含融合评价指标） 完整的代码，方可运行；可提供运行操作视频！适合小白！
【MATLAB代码，多无人机路径规划6】基于RRT与动态窗口法（RRT+DWA）的多无人机二维动态路径规划与避障。订阅专栏后可查看完整代码
本文基于MATLAB实现四架无人机在二维动态障碍环境中的协同路径规划，采用RRT+DWA算法，支持参数自定义。通过对比RRT+APF与RRT+DWA的避障效果，可视化轨迹、净间隙、速度加速度及航程等，输出任务完成率与碰撞统计。代码可直接运行，订阅专栏后获取完整源码，支持定制与讲解。
实验六 存储器实验
只读存储器（ROM）是一种在正常工作时其存储的数据固定不变，其中的数据只能读出，不能写入，即使断电也能够保留数据，要想在只读存储器中存入或改变数据，必须具备特定的条件。当地址为00000101时，会分别在数据位宽为8，16，32的只读寄存器中找到地址为00000101所对应的十进制地址位置，也就是地址为5的数据，并将其分别以8位，16位，32位输出。因此，输出保持为0。因此，当异步清零信号为1时，无论其他输入信号是什么，触发器的输出都会被强制清零，输出为0。1)寄存器输入0011，使能端1，异步清零0。
新装Win10/Win11后VMware虚拟机连不上网？手把手教你排查‘网络信息不可用’（从服务检查到网段配置）
本文详细介绍了在Windows 10/11系统上安装VMware Workstation后虚拟机无法联网的排查方法。从检查VMware NAT Service、DHCP Service等关键服务状态，到重置虚拟网络编辑器配置，再到内核设备驱动问题解决，手把手教你解决‘网络信息不可用’问题。特别针对VMCI驱动故障提供了实用解决方案，帮助用户快速恢复虚拟机网络连接。
Ubuntu关闭更新提醒的三层控制方法：从GUI到APT配置
Linux系统更新机制本质上是包管理器（APT）驱动的自动化运维流程，其核心原理在于分离‘元数据刷新’、‘安全补丁安装’和‘用户通知’三个职能。这种分层设计既保障了基础安全性，又为系统管理员提供了策略定制空间。技术价值体现在提升生产环境稳定性、规避未经验证的内核/驱动升级风险，并支持ROS、Blender渲染、工业控制等对时序敏感的应用场景。本文聚焦Ubuntu系统入门教程中高频需求——科学关闭软件更新提醒，覆盖Ubuntu 20.04及LTS版本的GUI设置、systemd服务禁用与APT配置修改三大实操
材料力学小白必看：纯弯曲正应力计算全解析（附实例演示）
本文详细解析了材料力学中纯弯曲正应力的计算原理与工程应用，通过实例演示帮助初学者掌握关键公式和计算流程。内容涵盖纯弯曲的基本假设、正应力分布规律、截面特性计算，以及现代工具如Excel、ANSYS和Python在应力分析中的应用，特别适合材料力学小白系统学习。
Python爬取谷歌学术全攻略：基于Playwright与Asyncio的高效、抗反爬虫实践
同时，文章将详细解析爬虫过程中可能遇到的各种挑战，如IP封锁、验证码、动态内容加载等，并提供切实可行的解决方案。self.logger.info(f"第 {current_page} 页解析完成，共找到 {len(page_results)} 条结果。：谷歌学术的HTML结构并非一成不变，其CSS类名和标签结构可能会发生变化，且不同地区、不同语言的界面可能存在差异，增加了数据解析的难度。self.logger.info(f"开始搜索关键词: '{keyword}'，计划爬取 {max_pages} 页")
FPGA/IC 秋招笔试/面试题总结（续）
FPGA/IC 秋招笔试/面试题总结（续）来啦… 文章目录二十七、状态机1. Moore/Mealy状态机2.一、二、三段式状态机 二十七、状态机 1. Moore/Mealy状态机 （1）Moore状态机： 输出只由当前状态决定，即次态=f（现态。输入），输出=f（现态） Moore型状态机的输出信号是直接由状态寄存器译码得到的。 Moore型状态机检测序列1101如下 Moore型状态机输出函数只由状态变量决定，想要输出Z=1，必须S4状态形成，即寄存器中的1101都打进去后才可以。输出Z=1会在
【VS Code插件开发】通用功能（二）
本篇主要从command（命令）、menus（菜单）、快捷键三个方面讲解，都归于通用功能。
ATT MTU 交换机制：提升 BLE 数据传输效率的关键
在低功耗蓝牙（BLE）技术的面试中，ATT MTU 交换机制始终是高频考点。无论是芯片厂商的固件开发岗，还是物联网设备的协议栈调试岗，面试官都爱通过这个知识点考察候选人对 BLE 数据传输底层逻辑的理解。本文将系统梳理核心考点，结合历年真题详解应答思路，轻松应对这类问题。
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
966
扫一扫
