- 博客(232)
- 收藏
- 关注
RSS订阅
原创 一种用于噪声周期性和准周期性信号的自动峰值检测高效算法
该算法的基础在于认识到，可以通过 (i) 使用多尺度技术检测信号的所有局部极大值，并 (ii) 通过自动分析应用多尺度技术的结果来找到“真实峰值”，而保持算法的通用适用性。(ii) 能够检测周期性和准周期性信号中的峰值；而相对而言，参数较少的算法则通常只能应用于特定的情况，例如在心电图（ECG）信号中检测R峰 [1,7,8,10,12,14–17,20–24,30–34] 或在色谱数据中检测峰值 [3,4]。需要指出的是，本工作的目标是专门开发一个峰值检测算法，用于检测噪声周期性和准周期性信号中的峰值。
2024-10-31 09:17:15
1997
8
原创 YOLO 发展前景与创新点
YOLO目标检测技术发展综述：YOLO系列从v1到v13经历了持续的架构创新，核心改进包括多尺度检测、轻量化设计、注意力机制和超图计算等，在精度与速度间取得平衡。其创新点体现在网络架构优化、特征处理策略、训练方法及硬件适配等方面。当前已广泛应用于自动驾驶、工业质检、医疗影像和安防监控等领域。未来发展趋势将聚焦多模态融合、动态稀疏感知和端到端优化，同时需应对复杂场景鲁棒性、可解释性等挑战。YOLO凭借快速迭代能力持续引领实时视觉智能发展。
2025-09-10 15:27:17
823
原创 yolov8n配环境——训练——推理全过程（适合小白）
本文介绍了YOLOv8n（nano版本）目标检测算法的完整实现流程，包括环境配置、数据集准备、模型训练和推理部署。内容涵盖：1）Python环境搭建和依赖库安装；2）数据集格式要求及配置文件创建；3）模型训练参数设置和代码实现；4）图像/视频推理程序编写；5）训练结果分析与可视化。文中提供了详细的代码示例和命令行参数说明，支持从预训练模型微调或从头开始训练，适用于不同硬件环境（GPU/CPU）。该教程为在资源有限设备上部署轻量级目标检测系统提供了完整解决方案。
2025-09-10 15:22:37
874
原创 基于深度学习的模板匹配技术：理论、方法与实现
摘要：本文系统探讨了深度学习在计算机视觉模板匹配任务中的应用。首先分析了传统模板匹配方法的局限性，然后详细介绍了基于卷积神经网络、孪生网络和注意力机制的深度学习方法，包括SiameseFC、SiamRPN等典型算法。文章提供了完整的PyTorch实现代码，涵盖数据预处理、网络架构设计、损失函数选择及训练流程，并通过实验验证了深度学习模板匹配的高精度和强鲁棒性。最后讨论了该技术在工业检测、安防监控等领域的应用前景及未来发展方向，为研究者和开发者提供了全面的技术参考。
2025-09-09 16:02:36
1315
原创 OpenCV 模板匹配代码深度解析与应用场景全景分析
本文解析了基于OpenCV的经典模板匹配算法实现，通过C++代码演示了从图像读取、预处理、匹配计算到结果可视化的完整流程。该算法采用灰度化处理和高斯模糊优化匹配效果，使用归一化相关系数(TM_CCOEFF_NORMED)计算相似度，并通过局部极大值检测避免重复标注。核心优势在于实现简单、计算高效（适合嵌入式设备），主要局限是不支持尺度/旋转变化。文章详细分析了该算法在工业检测、安防监控、医疗影像等领域的适用场景，并提出了多尺度匹配、旋转模板等优化建议，为刚性目标检测任务提供了实用解决方案。
2025-09-09 15:43:50
1238
原创 GAN 网络的核心功能与深度解析
生成对抗网络(GAN)是一种通过生成器与判别器相互对抗来学习数据分布的深度学习模型。本文详细介绍了GAN的10大核心功能，包括：高保真数据生成（图像、文本、音频、视频）、数据增强、图像编辑与风格迁移、超分辨率重建、图像修复、跨模态生成、无监督学习、隐私保护、强化学习环境建模以及科学计算模拟。文章还探讨了GAN的训练挑战（如模式崩溃、梯度消失）和解决方案，并展望了未来发展方向（结合Transformer、多模态融合等）。最后提供了一个实现图像噪声生成的GAN代码示例，展示了从数据加载到模型训练的具体流程。GA
2025-09-02 16:37:00
1285
原创 YOLOv8 原理与跨领域应用全景分析
YOLOv8是YOLO系列最新目标检测算法，在架构设计、训练策略和推理优化上实现全面升级。核心创新包括：首次统一检测、分割和姿态估计多任务能力；采用Anchor-Free设计简化定位逻辑；引入C2f模块和改进型PAN-FPN提升特征提取效率；通过动态训练策略和损失函数优化提升性能。相比前代，YOLOv8在COCO数据集上实现精度提升5-10%、速度提升15-20%，支持从边缘设备到云端服务器的全场景部署，广泛应用于智能交通、工业质检等10余个领域。
2025-08-21 15:25:48
1006
原创 Gan网络图像生成优化
摘要： 本文提出7大优化策略提升配对GAN（如pix2pix）生成图像的真实性。通过改进生成器架构（增加残差块、引入SE注意力机制）、采用多尺度判别器、增强损失函数组合（感知损失+边缘损失+关键点一致性）等核心方法，显著提升细节保留（50%）、结构一致性（30%）、纹理真实度（40%）等指标。实验表明，WGAN-GP梯度惩罚使训练收敛速度提升2倍，综合优化使生成图像自然度评分（MOS）提升1.5分（5分制）。
2025-08-20 16:11:16
414
原创 基于生成对抗网络的模糊图像恢复原理与技术实现
摘要：本文系统探讨了生成对抗网络（GAN）在模糊图像恢复中的应用。文章首先介绍了传统去模糊方法的局限性，随后详细阐述了GAN的核心原理与网络架构，包括生成器的编码器-解码器结构和判别器的PatchGAN设计。针对模糊图像恢复的挑战，重点分析了数据生成、损失函数设计（对抗损失、感知损失、结构损失）等关键技术，并讨论了训练策略与优化技巧。通过DeblurGAN等典型模型的应用分析，展示了GAN在图像恢复中的优势。最后，文章指出了当前面临的挑战（如噪声干扰、计算资源需求）和未来发展方向（自监督学习、轻量化模型）。
2025-08-18 10:03:46
1333
原创 MAGVIT-v2 相关代码实现与分析
MAGVIT-v2是一种基于VQ-VAE框架的视频令牌化模型，其核心创新包括无查找量化(LFQ)方法和改进的因果3DCNN架构。LFQ通过二进制量化消除传统码本查找，支持大词汇量(如2^18)并提升生成质量。模型采用对称编码器-解码器结构，结合3D卷积处理时空信息，并通过多目标损失(重建、对抗、熵惩罚)进行优化。实验表明，该方法在图像/视频生成质量(FID 1.91)、视频压缩和动作识别任务上优于现有技术。该模型为多模态生成提供了高效解决方案，特别适合大规模视觉任务。
2025-08-18 09:50:41
989
原创 《LANGUAGE MODEL BEATS DIFFUSION - TOKENIZER IS KEY TO VISUAL GENERATION》论文分析
本文提出MAGVIT-v2视频令牌器，通过无查找量化(LFQ)和模型架构改进，显著提升语言模型在视觉生成任务上的表现。LFQ方法通过消除嵌入查找需求，支持更大词汇表，使重建和生成质量同步提升。改进后的因果3DCNN架构实现了图像视频联合令牌化。实验表明，配备该令牌器的语言模型在ImageNet和Kinetics等基准测试中首次超越扩散模型，同时视频压缩质量媲美VVC编解码器，并在动作识别任务中表现优异。该研究为语言模型在多模态生成领域的发展提供了新思路。
2025-07-03 17:27:06
996
原创 HighLightNet具体代码解析，完整版
摘要： 论文提出HighlightNet低光增强器，解决无人机夜间跟踪中光照不足的问题。该模型包含三个核心模块：（1）逐像素低光增强模块，通过CNN和Transformer生成动态参数实现自适应增强；（2）基于Transformer的参数调整模块，应对全局光照快速变化；（3）软截断模块抑制噪声。实验表明，HighlightNet在SICE数据集和UAVDark135基准上优于现有方法，PSNR和SSIM指标领先，且能显著提升跟踪器性能。真实测试中达到32.2 FPS的实时速度，有效扩展了无人机夜间应用场景。
2025-07-03 17:01:54
758
原创 基于深度学习的目标追踪算法
基于深度学习的目标追踪算法综述与实现 目标追踪是计算机视觉的核心任务，旨在连续视频序列中定位特定目标。传统方法（如相关滤波和特征匹配）受限于尺度变化和遮挡等问题，而深度学习通过强大的特征学习能力显著提升了追踪性能。主流算法分为生成式（如GAN）和判别式（如SiamFC、SiamRPN）两类，其中孪生网络架构因高效性成为研究热点。
2025-07-02 16:52:19
2023
原创 基于 TOF 图像高频信息恢复 RGB 图像的原理、应用与实现
TOF技术通过测量光脉冲往返时间获取深度信息，生成伪彩色深度图像。其高频信息反映物体边缘和结构特征，可辅助RGB图像恢复。恢复过程包括：1）提取TOF图像高频特征（如边缘检测）；2）通过多模态信息融合，结合深度几何与颜色纹理信息；3）采用传统优化方法（如能量函数最小化）或深度学习（如CNN、GAN）重建RGB图像。该技术广泛应用于机器人视觉、智能安防、AR/VR及医疗影像领域，尤其在低光环境下能有效提升视觉感知能力。代码示例展示了基于边缘特征的传统优化方法和基于CNN-GAN的深度学习方法实现RGB图像恢复
2025-07-02 16:45:46
1266
原创 深度学习——去噪
深度学习去噪网络概述 深度学习去噪网络已成为数字信号处理和计算机视觉领域的主流去噪方法。这些网络通过自动学习噪声特征和图像结构，实现了比传统方法更高效、更智能的去噪效果。发展历程包括：CNN方法、结合RNN和注意力机制的架构，以及Transformer架构的应用。典型网络包括降噪自编码器(DAE)和DnCNN，它们通过"破坏-重建"训练方式和残差学习策略，有效提升了去噪性能。本文详细介绍了这些网络的理论基础、实现方法和应用实例，展示了深度学习在去噪任务中的强大能力。
2025-07-01 10:31:34
969
原创 HighlightNet （暗图像增强）
HighlightNet是一种多用途深度学习框架，在不同视觉任务中均表现出色。本文重点介绍了其在三种场景中的应用：视频综述、夜间车辆检测和无人机跟踪。在视频综述任务中，HighlightNet作为ICCV2019挑战赛系统的关键组件，通过双层全连接结构预测视频片段重要性。夜间车辆检测方面，它利用双分支联合学习结合特征相似度感知注意力，显著提升了低光环境下的检测准确率。无人机跟踪任务中，HighlightNet采用Transformer架构进行像素级低光增强，并引入软截断机制抑制噪声。
2025-07-01 10:19:42
1044
原创 深度学习驱动下的目标检测技术：原理、算法与应用创新（三）
本研究聚焦于深度学习在目标检测领域的应用，详细探讨了主流目标检测算法（如R-CNN系列、YOLO系列和SSD）的网络结构、工作流程及优化策略。通过数据增强、模型压缩与加速、损失函数优化等技术，提升了模型的泛化能力和检测精度。研究还以YOLOv5为例，展示了从模型构建到数据加载与预处理的完整代码实现，并通过自动驾驶、安防监控和工业制造等应用案例，验证了目标检测技术的实际价值。尽管在实时性、小目标检测、遮挡问题等方面仍存在挑战，未来研究可通过多模态信息融合、轻量级网络设计等方向进一步优化算法，推动目标检测技术在
2025-05-16 14:37:39
1159
原创 深度学习驱动下的目标检测技术：原理、算法与应用创新（二）
深度学习目标检测算法的发展经历了多个重要阶段，R-CNN系列算法、YOLO系列算法和SSD算法是其中的代表。R-CNN通过引入卷积神经网络（CNN）和区域提议机制，开创了深度学习在目标检测领域的应用。Fast R-CNN和Faster R-CNN进一步优化了计算效率和训练流程，特别是Faster R-CNN通过引入区域生成网络（RPN）实现了端到端的检测。YOLO系列算法则将目标检测视为回归问题，显著提升了检测速度，YOLOv1、YOLOv2和YOLOv3通过不断优化网络结构和训练策略，进一步提高了检测精度
2025-05-16 14:34:24
1102
原创 深度学习驱动下的目标检测技术：原理、算法与应用创新
目标检测是计算机视觉的核心任务，旨在识别图像或视频中的目标类别并定位其位置，广泛应用于安防监控、智能交通、工业制造和医疗影像等领域。传统方法依赖手工设计特征，如HOG和SIFT，但难以应对复杂场景。深度学习的兴起，尤其是卷积神经网络（CNN），通过自动提取高级语义特征，显著提升了检测精度和效率。R-CNN、Fast R-CNN、Faster R-CNN、YOLO和SSD等算法推动了目标检测技术的发展，但仍面临小目标检测、遮挡和类别不平衡等挑战。本文深入探讨了主流目标检测算法的原理，提出了多尺度特征融合、上下
2025-05-16 14:30:16
1319
原创 POSE识别 神经网络
Pose识别是计算机视觉中的重要技术，旨在从图像或视频中检测人体关键点并估计姿态。其应用广泛，包括动作捕捉、人机交互、体育分析和安防监控等。Pose识别模型的发展经历了从手工特征到深度学习的演变，代表性模型包括OpenPose、AlphaPose、HRNet、SimpleBaseline和DETR。这些模型主要采用自下而上或自上而下的方法进行关键点检测和关联。自下而上方法先检测所有关键点再进行分组，适合多人场景；自上而下方法先检测人体再进行姿态估计，精度较高但速度较慢。本文还介绍了基于HRNet的Pose识
2025-05-09 10:41:29
1517
原创 YOLOv8 深度学习目标检测实战指南
本指南详细介绍了YOLOv8目标检测算法的全流程应用，从环境搭建到实际项目部署。首先，推荐使用Ubuntu或Windows系统，并安装Miniconda管理Python环境，随后安装PyTorch和Ultralytics库。数据准备阶段，需按照特定目录结构组织数据集，并将标注格式转换为YOLO格式。模型训练部分，提供了多种预训练模型选择，并详细解析了关键训练参数。训练完成后，可通过CLI或Python API进行模型评估和推理。此外，指南还介绍了模型部署优化、自定义模型结构、多GPU训练、模型融合与集成等高
2025-05-09 10:37:49
1348
原创 基于神经网络的 YOLOv8、MobileNet、HigherHRNet 姿态检测比较研究
随着人工智能技术的飞速发展，基于神经网络的姿态检测技术在计算机视觉领域取得了显著进展。本文旨在深入比较分析当前主流的姿态检测模型，即 YOLOv8、MobileNet 和 HigherHRNet，从模型架构、性能表现、应用场景等多维度展开研究。通过详细阐述各模型的结构特点与创新点，以及在公开数据集上的实验对比，全面评估其在准确性、速度、复杂度等方面的优劣。研究结果将为相关领域的研究者和开发者在选择合适的姿态检测模型时提供有价值的参考，助力推动姿态检测技术在更多实际场景中的高效应用与发展。
2025-05-07 09:11:16
1685
原创 P3P（Perspective - 3 - Point）算法
P3P 算法作为计算机视觉领域中求解相机位姿的重要算法，在机器人视觉导航、虚拟现实、摄影测量、工业检测等多个领域有着广泛的应用。尽管它存在一些局限性，但随着相关技术的不断发展和改进，P3P 算法将在更多的领域发挥更大的作用，为实现高精度的三维空间感知和相机定位提供有力的支持。
2025-05-07 09:03:57
1794
原创 无过拟合的记忆：分析大语言模型的训练动态
尽管超大语言模型被广泛应用，但其潜在的训练和记忆动态机制仍未得到充分理解。我们通过实证研究，在因果语言建模和掩码语言建模中，针对不同模型规模以及整个训练过程进行精确记忆的研究。我们衡量了数据集大小、学习率和模型规模对记忆的影响，发现更大的语言模型在所有设置下都能更快地记忆训练数据。令人惊讶的是，我们发现更大的模型在过拟合之前能够记忆更多的数据，并且在整个训练过程中遗忘的倾向更小。我们还分析了不同词性的记忆动态，发现模型首先记忆名词和数字；
2025-04-24 15:58:01
819
原创 监督微调记忆，强化学习泛化：基础模型后训练的比较研究
监督微调（SFT）和强化学习（RL）是基础模型广泛使用的后训练技术。然而，它们在增强模型泛化能力方面的具体作用仍不明确。本文研究了 SFT 和 RL 在泛化和记忆方面的比较效果，重点关注基于文本和视觉的环境。我们引入了 GeneralPoints，这是一款算术推理纸牌游戏，同时还考虑了 V-IRL，一个真实世界的导航环境，以评估用 SFT 和 RL 训练的模型在文本和视觉领域中对未见变体的泛化能力。我们发现，RL，尤其是在基于结果的奖励下训练时，能够在基于规则的文本和视觉环境中进行泛化。
2025-04-24 15:50:11
677
原创 YOLO 模型的深度剖析及其在生物医药领域的创新应用
YOLO（You Only Look Once）系列模型自 2015 年问世以来，经历了多次重大技术革新，其发展轨迹深刻影响着目标检测领域。初代 YOLO 将目标检测任务革命性地转化为单一神经网络的回归问题，在一个前向传播过程中完成图像中所有目标的定位与分类，相比传统滑动窗口算法，检测速度提升显著。然而，初代模型在小目标检测和定位精度上存在不足，后续版本围绕这些痛点展开持续优化。YOLOv2 通过引入锚框机制，在预测边界框时使用预定义的尺寸模板，大幅提升了定位准确性。
2025-04-23 09:12:34
987
原创 YOLO 模型的具体原理和结构以及在生物医药中的应用场景
本文详细阐述了 YOLO（You Only Look Once）模型的原理、结构及其在生物医药领域的应用场景。首先介绍了目标检测的背景和 YOLO 模型的发展历程，接着深入剖析了 YOLO 模型的核心原理，包括其将目标检测任务转化为回归问题的独特思路，以及如何在单个神经网络中实现端到端的目标检测。然后详细描述了 YOLO 模型的网络结构，包括卷积层、池化层等组件的作用和架构特点。
2025-04-23 09:08:04
1121
原创 MobileNetV1、V2、V3 与 YOLO 分类模型的原理、应用场景及比较
在网络的前半部分，特征图的尺寸逐渐减小，通道数逐渐增加。以一个具体的倒残差块为例，假设输入特征图的通道数为 \(C_{in}\)，首先通过一个 \(1\times 1\) 卷积将通道数扩展到 \(tC_{in}\)（t 为扩展因子），然后进行深度卷积，最后通过一个 \(1\times 1\) 卷积将通道数压缩到 \(C_{out}\)。假设原始输入图像的尺寸为 \(H\times W\)，使用分辨率乘数 \(\rho\) 后，实际输入图像的尺寸变为 \(\rho H\times \rho W\)。
2025-04-16 09:40:30
1867
原创 MobileNetV1、V2、V3 与 YOLO 分类模型的原理、应用场景及比较
MobileNetV1 的核心创新在于引入了深度可分离卷积（Depthwise Separable Convolution），这是一种高效的卷积操作，旨在减少传统卷积的计算量和参数量。
2025-04-16 09:30:25
1184
原创 WPF基础知识（续）
在上述代码中，类实现了ICommand接口。_execute字段存储要执行的操作，字段用于判断命令是否可以执行。<Grid><Button Content="按钮" Background="{StaticResource MyBrush}" /></Grid></Window>在这个例子中，在中定义了一个名为MyBrush的画刷资源，然后在按钮的Background属性中使用引用该资源。
2025-03-28 14:03:13
1032
原创 WPF基础知识
WPF 是什么WPF（Windows Presentation Foundation）是微软推出的一款用于创建桌面应用程序用户界面的框架。它提供了一种统一的编程模型，将用户界面的设计、布局、数据绑定、动画等功能集成在一起，使得开发人员能够创建出具有丰富交互性和视觉效果的应用程序。它基于.NET Framework，利用了.NET 的强大功能，如面向对象编程、垃圾回收、多线程等，同时结合了 DirectX 技术来实现高性能的图形渲染。WPF 的优势强大的图形渲染能力。
2025-03-28 13:58:17
1189
原创 WPF 与 C# 融合开发：从基础到高级应用（一）
方法是具有特定功能的代码块，可以接受参数并返回值。方法可以重载，即方法名相同但参数列表不同。WPF 是微软为 Windows 平台开发的新一代用户界面框架，它引入了 DirectX 图形渲染引擎，支持硬件加速，能够创建出高质量的 2D 和 3D 图形界面。WPF 使用 XAML 来描述用户界面，实现了界面设计和代码逻辑的分离。WPF 提供了丰富的控件，如ButtonTextBoxLabelListBoxComboBox等。每个控件都有其特定的用途和属性。
2025-03-26 11:17:43
1740
原创 WPF 与 C# 融合开发：从基础到高级应用（二）
MessageBox.Show("命令已执行");<Button Content="执行命令" Command="{Binding MyCommand}"/>set;MVVM（Model - View - ViewModel）是一种设计模式，它将视图（View）和模型（Model）分离，通过视图模型（ViewModel）来实现两者之间的交互。随着技术的不断发展，WPF 也在不断更新和完善。未来，WPF 可能会在跨平台支持、性能优化、与新兴技术的融合等方面取得更大的进展。
2025-03-26 11:15:12
1324
原创 WPF 与 C# 开发深度剖析
方法是一段具有特定功能的代码块，可以接收参数并返回值。WPF 是微软为 Windows 平台开发的下一代用户界面框架，它引入了全新的图形渲染引擎，支持硬件加速，能够创建出高质量的 2D 和 3D 图形界面。WPF 使用 XAML（可扩展应用程序标记语言）来描述用户界面，使得界面设计和代码逻辑分离，提高了开发效率和可维护性。</Style></Border></Setter></Style>MessageBox.Show("命令已执行");
2025-03-25 17:21:48
2066
原创 WPF（Windows Presentation Foundation）与 C# 基础知识详解
通过对 WPF 和 C# 基础知识的全面介绍，我们了解了 C# 的基本数据类型、控制流语句、方法等，以及 WPF 的应用程序结构、控件、布局、数据绑定、样式模板、事件处理和依赖属性等核心内容。这些知识是开发 WPF 应用程序的基础，掌握好它们将为进一步深入学习和开发复杂的 WPF 应用程序打下坚实的基础。在实际开发中，还需要不断实践和积累经验，以提高开发效率和应用程序的质量。
2025-03-25 17:16:23
1167
原创 WPF基础知识（八）
在调试时，选择 “调试” -> “窗口” -> “实时可视化树” 或 “实时属性资源管理器” 即可打开相应的工具窗口。可以在代码隐藏文件或 ViewModel 中设置断点，当程序执行到断点处时会暂停，方便查看变量的值和程序的执行流程。在 Visual Studio 中，只需在代码行号旁边单击即可设置断点。对于耗时的操作，如网络请求、数据库查询等，使用异步编程模型，避免阻塞 UI 线程，提高应用程序的响应性。在 Visual Studio 中，右键单击项目，选择 “发布”。
2025-03-20 15:06:37
740
原创 WPF基础知识学习（七）
Windows Presentation Foundation（WPF）是微软开发的一个 UI 框架，用于创建具有丰富视觉效果和交互性的 Windows 桌面应用程序。它引入了 XAML（可扩展应用程序标记语言），将界面设计与代码逻辑分离，提升了开发效率和可维护性。WPF 支持矢量图形、动画、多媒体等多种技术，能够打造出专业且美观的用户界面。App.xaml 和 App.xaml.csApp.xaml是应用程序的全局资源和启动设置文件，是其对应的代码隐藏文件，负责应用程序的启动逻辑。
2025-03-20 15:03:54
1393
原创 C# WPF 基础知识学习(六)
创建自定义控件可以通过继承现有的控件类来实现。在</Style>可以为自定义控件添加依赖属性。例如，为添加一个CustomText。
2025-03-18 10:58:53
1109
原创 WPF 开发从入门到进阶（五）
MVVM（Model - View - ViewModel）是一种设计模式，用于分离 UI 设计和业务逻辑。它将视图（View）、视图模型（ViewModel）和模型（Model）分离，提高了代码的可维护性和可测试性。Model：表示应用程序的数据和业务逻辑，如数据库实体、业务规则等。View：负责界面的呈现，即 XAML 文件定义的 UI 元素。ViewModel：作为 View 和 Model 之间的桥梁，负责处理视图的交互逻辑和数据转换，实现了视图和模型的解耦。
2025-03-18 10:53:50
2022
原创 C# WPF 基础知识学习(四)
在这个例子中，我们定义了一个名为MyProperty的依赖属性，类型为int，所属的类型是MyControl，默认值为 0。通过GetValue和SetValue方法来获取和设置依赖属性的值。
2025-03-13 11:15:21
1018
基于双区间熵重映射的图像对比度增强方法研究
2024-11-08
热电池缺陷检测的局部对比度增强X射线算法研究
2024-11-08
红外图像对比度增强的双边滤波结合受限直方图均衡化算法研究
2024-11-08
基于多级直方图形状分割的图像对比度增强技术及其应用
2024-11-08
基于Gamma校正的低照度图像对比度增强方法研究
2024-11-08
基于OpenCV的图像处理与内切圆检测算法 C++实现
2024-11-07
基于C++与OpenCV实现图像预处理与连通域分析的Halcon连接应用
2024-11-07
OpenCV中从RGB到LCH颜色空间的转换方法与应用
2024-11-06
C++基于OpenCV的模糊C均值聚类算法实现与应用
2024-11-06
医疗图像增强：结合小波变换与同态滤波方法的应用
2024-11-01
基于多尺度Retinex与自适应对比度增强的背景去除算法及其前景提取应用
2024-12-27
基于C++的LDP与多分块LBP算法在OpenCV中的实现及其应用
2024-11-29
流式数据查找峰值方法及其C++实现
2024-11-29
多模态行人轨迹预测的低秩描述符-EigenTrajectory方法
2024-11-19
重新思考激光雷达分割中的范围视图表示法及其优化方法RangeFormer的应用
2024-11-19
基于混沌初始化的改良郊狼优化算法应用于医学图像分割
2024-11-19
基于聚类算法的图像分割技术及其应用分析
2024-11-19
基于C++的数据统计与分析算法实现
2024-11-11
基于HSV色彩空间和樽海鞘群优化算法的低照度图像增强
2024-11-08
基于深度学习的零参考样本低照度图像增强算法-Lab颜色空间应用
2024-11-08
红外图像增强技术中线性变换与局部均衡融合的方法研究
2024-11-08
水下非均匀光照场景下的混凝土图像增强方法研究
2024-11-08
基于中心环绕Retinex算法的6MV X射线EPID图像增强
2024-11-08
基于非凸约束和噪声抑制的图像增强算法研究
2024-11-08
医疗图像处理：乳腺癌细胞基于RGB-HSV彩色空间模型的高效识别
2024-11-08
基于FPGA的智能车牌检测系统设计与实现
2024-11-08
低照度彩色图像的自适应权重Retinex图像增强算法及其实现
2024-11-08
傅里叶变换，为啥信号频率不同，截止频率种的幅值也不同。
2024-10-25
TA创建的收藏夹 TA关注的收藏夹
TA关注的人