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
2.4k累计阅读
2.4k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
图像处理的基础：
1）图像灰度直方图
灰度直方图是反映一幅图像中各灰度级一各灰度级像素出现频率之间的关系,以灰度级为横坐标,纵坐标为灰度级的频率,绘制频率同灰度级频率的关系图就是灰度直方图。它是图像的重要特征之一，反映了图像灰度的分布情况。
通过一组图片说明直方图的与图片的关系：
暗色调的照片对应的直方图
暗色调的照片对应的直方图
曝光过度的照片对应的直方图
曝光不足的照片对应的直方图
直方图的性质
（1）灰度真方图只能反映图像的灰度分布情况，而不能反映图像像素的位置，即丢失了图像的位置信息。
（2）一幅图像对应一个灰度直方图，反之不成立。不同的图像可以对应形同的直方图。
直方图的应用
如何使用halcon进行图像模式识别
HALCON 是一款强大的机器视觉软件，它提供了广泛的工具和算法来执行图像处理和模式识别任务。
如何使用OpenCV进行图像分析和模式识别？
图像分析和模式识别是计算机视觉领域的核心任务，它们在图像处理、目标检测、图像分类等应用中扮演着重要角色。本文将介绍OpenCV中的图像分析和模式识别方法，包括特征提取、图像匹配、模板匹配等技术，并结合应用案例展示其在实际场景中的应用。结语： 本文介绍了OpenCV中的图像分析和模式识别方法，包括特征提取、图像匹配、模板匹配等技术，并通过示例展示了其在实际场景中的应用。OpenCV提供了丰富的图像处理和计算机视觉算法，为图像分析和模式识别任务提供了强大的支持，帮助用户在图像处理领域取得更好的效果和应用。
图像模式识别和图像处理：实现基于深度学习的图像分类
通过调整模型的结构、超参数和数据集，我们可以应用类似的方法处理不同的图像分类问题。通过使用深度学习技术，我们可以训练神经网络来自动识别和处理图像中的不同模式和特征。这些数据集可以免费下载和使用。在上面的代码中，我们定义了一个具有一个卷积层、一个最大池化层、一个展平层和一个全连接层的CNN模型。在训练过程中，我们可以指定训练的轮数（epochs）和批次大小（batch_size），以及验证集用于评估模型的性能。在上面的代码中，我们将图像数据归一化到0到1之间，并将标签进行独热编码，以便在训练阶段使用。
HalconDotNet的图像模式识别详解
在HalconDotNet中，图像模式识别是图像处理中的重要部分，用于识别和分类图像中的特定模式。以下是五种常见的图像模式识别方法及其详细说明和C#示例代码。
图像处理及模式识别
图像处理及模式识别
【CSP-J/S初赛知识点整理】
CSP-J/S初赛知识点整理
群晖Docker安装GitLab
external_url ‘http://lanweixia.synology.me’ 这种情况访问页面的时候加上端口没问题，但是会导致http的克隆地址没有端口。external_url ‘http://lanweixia.synology.me:8000’ 加端口的话，又会导致页面访问不了,Gitlab也一直处于启动状态。 完成以后修改docke—>gitlab—>config---->gitlab.rb。就是上面改的端口（docker的端口）首次进入，会设置密码，这个密码就是用户名。
TikTok达人私信自动化：用Node.js和纯JavaScript实现WSS协议通信（附完整代码结构）
本文详细介绍了如何使用Node.js和WSS协议实现TikTok达人私信自动化系统。通过分层架构设计、WSS连接管理、消息加密策略及频率控制，开发者可以构建稳定高效的私信工具，突破平台API限制，适用于跨境电商和社交媒体运营场景。
基于STM32L4XX 、HAL库的TMC2226-SA-T步进电机驱动器驱动程序应用设计
集成的功率MOSFET可处理高达2A RMS的电机电流，并具备保护与诊断功能，确保运行稳健可靠。作为业界最先进的STEP/DIR步进电机驱动系列，该芯片通过升级设计实现无噪音、高精度运行，为用户提供高性价比且极具竞争力的解决方案。// 用于PDN_UART单线通信。// HAL_UART_Transmit - 注意PDN_UART是单线，收发共线。.huart = &huart1, // PDN_UART连接的USART。均方根步进/方向控制接口，提供8、16、32或64微步针设置，
IPCP（IP Control Protocol，IP控制协议）
IPCP（IP Control Protocol，IP控制协议）
Realtek千兆PHY RTL8211FS相关寄存器操作详解
通过合理配置和控制RTL8211FS寄存器，您可以实现对以太网的各种功能和参数的控制和配置。请注意，具体的寄存器操作和配置值可能因具体需求而有所不同，您应参考RTL8211FS芯片的数据手册以获取准确的寄存器说明和操作规范。我们将提供相应的源代码示例，以帮助您理解和实施这些操作。通过操作这些寄存器，我们可以配置和控制RTL8211FS芯片的各种功能和参数。需要注意的是，具体的寄存器操作和配置值会根据您的具体需求而有所不同。您需要参考RTL8211FS芯片的数据手册以获取详细的寄存器说明和操作规范。
SAP Fiori 会话超时全解析：从 Launchpad 到 Identity Authentication 的统一策略
SAP Fiori会话超时机制解析与配置策略 本文深入探讨SAP Fiori项目中的会话超时机制，分析其对系统安全和用户体验的双重影响。文章系统拆解了SAP Fiori Launchpad与SAP Cloud Identity Services之间的会话超时工作原理，重点介绍了两种超时机制：服务器驱动的超时（通过SESSION_TIMEOUT_STOP_DATA_REFRESH参数控制）和UI驱动的超时（通过SESSION_TIMEOUT_INTERVAL_IN_MINUTES参数控制）。文中结合制造业产线
腾讯微搭低代码开发实战电子书：医疗挂号小程序
本书通过一个完整的“医疗挂号小程序”项目，深度讲解腾讯微搭（WeDa）低代码平台在复杂业务场景下的实战应用。从登录体系搭建、用户注册，到就诊人管理、科室排班与预约下单，全程遵循“配置+逻辑+实战”的思路，带领读者从零实现具备商业级可用性的医疗挂号小程序，掌握低代码开发的核心技巧与业务落地能力。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
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")
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
810
扫一扫
