·詳細(xì)說(shuō)明：該代碼為用gabor變換算法提取圖像的紋理特征，用matlab編寫(xiě)，可應(yīng)用于基于紋理的圖像檢索系統(tǒng)。其中還包含一篇gabor變換相關(guān)的文獻(xiàn)
上傳時(shí)間： 2013-06-27
上傳用戶：dialouch
這是用FPGA實(shí)現(xiàn)的設(shè)計(jì)兩人擲骰子比較點(diǎn)大小的游戲，里面有詳細(xì)的程序源碼及分析，希望有些幫助
上傳時(shí)間： 2013-08-06
上傳用戶：lili123
飛機(jī)特征點(diǎn)圖像的識(shí)別是航空試飛領(lǐng)域中計(jì)算機(jī)視覺(jué)研究的重要課題，在基于圖像的視頻安全監(jiān)控、自動(dòng)識(shí)別與智能人機(jī)交互方面有著重要的研究?jī)r(jià)值。其檢測(cè)算法經(jīng)過(guò)長(zhǎng)時(shí)間的發(fā)展，已經(jīng)取得了顯著的成績(jī)。本文中對(duì)Paul Viola提出的基于積分圖像和AdaBoost的檢測(cè)方法進(jìn)行了深入研究、改進(jìn)，并針對(duì)實(shí)際問(wèn)題成功應(yīng)用到飛機(jī)特征點(diǎn)圖像的快速檢測(cè)中。
標(biāo)簽： AdaBoost 算法 特征 圖像識(shí)別
上傳時(shí)間： 2013-11-04
上傳用戶：日光微瀾
對(duì)脈搏波的完全分析是建立在含有少量噪聲且較為清晰的脈搏波信號(hào)中，然而在采集脈搏波信號(hào)時(shí)容易受到多種干擾的影響，使其提取出來(lái)的脈搏波含有大量的噪聲，因此降噪處理顯得尤為必要。同時(shí)，脈搏波中含有人體生理病理信息，不同的人將表現(xiàn)為不同的特征，可以看出確定脈搏波特征點(diǎn)對(duì)于分析人體生理健康很有意義。針對(duì)信號(hào)去噪問(wèn)題采用小波變換和多分辨率分析的方法，該方法在時(shí)域和頻域都能表征信號(hào)局部信息的能力，且具有對(duì)信號(hào)具有自適應(yīng)性。運(yùn)用極值法確定出脈搏波的峰值點(diǎn)，然后再根據(jù)峰值點(diǎn)確定出其他特征點(diǎn)的位置，實(shí)驗(yàn)證明該方法能夠增加特征點(diǎn)的檢出率。
標(biāo)簽： 脈搏波 信號(hào)降噪 特征點(diǎn)識(shí)別
上傳時(shí)間： 2013-10-12
上傳用戶：shirleyYim
針對(duì)齒輪故障特征信號(hào)具有強(qiáng)噪聲背景、非線性、非平穩(wěn)性特點(diǎn)，提出采用形態(tài)梯度小波對(duì)齒輪振動(dòng)信號(hào)進(jìn)行降噪。首先使用形態(tài)梯度小波把齒輪振動(dòng)信號(hào)分解到多個(gè)尺度上，然后對(duì)各層的細(xì)節(jié)系數(shù)進(jìn)行軟閾值方法降噪處理，對(duì)經(jīng)過(guò)處理后的小波系數(shù)進(jìn)行重構(gòu)。對(duì)降噪后的齒輪振動(dòng)信號(hào)采用S變換多分辨率時(shí)頻分析，能夠從具有良好的時(shí)頻分辨率的S變換譜圖提取齒輪故障特征。通過(guò)仿真試驗(yàn)和故障軸承的信號(hào)分析證明，該方法具有短時(shí)傅里葉變換和小波變換的優(yōu)點(diǎn)，不存在Wigner-Ville分布的交叉干擾和負(fù)頻率，能有效地提取隱含在噪聲中的齒輪故障特征，適合齒輪故障的在線監(jiān)測(cè)和診斷。
上傳時(shí)間： 2013-11-01
上傳用戶：AISINI005
電路連接 由于數(shù)碼管品種多樣，還有共陰共陽(yáng)的，下面我們使用一個(gè)數(shù)碼管段碼生成器（在文章結(jié)尾） 去解決不同數(shù)碼管的問(wèn)題： 本例作者利用手頭現(xiàn)有的一位不知品牌的共陽(yáng)數(shù)碼管：型號(hào)D5611 A/B，在Eagle 找了一個(gè) 類似的型號(hào)SA56-11，引腳功能一樣可以直接代換。所以下面電路圖使用SA56-11 做引腳說(shuō)明。 注意： 1. 將數(shù)碼管的a~g 段，分別接到Arduino 的D0~D6 上面。如果你手上的數(shù)碼管未知的話，可以通過(guò)通電測(cè)量它哪個(gè)引腳對(duì)應(yīng)哪個(gè)字段，然后找出a~g 即可。 2. 分清共陰還是共陽(yáng)。共陰的話，接220Ω電阻到電源負(fù)極；共陽(yáng)的話，接220Ω電阻到電源+5v。 3. 220Ω電阻視數(shù)碼管實(shí)際工作亮度與手頭現(xiàn)有原件而定，不一定需要準(zhǔn)確。 4. 按下按鈕即停。 源代碼 由于我是按照段碼生成器默認(rèn)接法接的，所以不用修改段碼生成器了，直接在段碼生成器選擇共陽(yáng)極，再按“自動(dòng)”生成數(shù)組就搞定。 下面是源代碼，由于偷懶不用寫(xiě)循環(huán)，使用了部分AVR 語(yǔ)句。 PORTD 這個(gè)是AVR 的端口輸出控制語(yǔ)句，8 位對(duì)應(yīng)D7~D0，PORTD=00001001 就是D3 和D0 是高電平。 PORTD = a;就是找出相應(yīng)的段碼輸出到D7~D0。 DDRD 這個(gè)是AVR 語(yǔ)句中控制引腳作為輸出/輸入的語(yǔ)句。DDRD = 0xFF;就是D0~D7 全部 作為輸出腳了。 ARDUINO CODECOPY /* Arduino 單數(shù)碼管骰子 Ansifa 2011-12-28 */ //定義段碼表，表中十個(gè)元素由LED 段碼生成器生成，選擇了共陽(yáng)極。 inta[10] = {0xC0, 0xF9, 0xA4, 0xB0, 0x99, 0x92, 0x82, 0xF8, 0x80, 0x90}; voidsetup() { DDRD = 0xFF; //AVR 定義PortD 的低七位全部用作輸出使用。即0xFF=B11111111對(duì) 應(yīng)D7~D0 pinMode(12, INPUT); //D12用來(lái)做骰子暫停的開(kāi)關(guān) } voidloop() { for(int i = 0; i < 10; i++) { //將段碼輸出PortD 的低7位，即Arduino 的引腳D0~D6，這樣需要取出PORTD 最高位，即 D7的狀態(tài)，與段碼相加，之后再輸出。 PORTD = a[i]; delay(50); //延時(shí)50ms while(digitalRead(12)) {} //如果D12引腳高電平，則在此死循環(huán),暫停LED 跑 動(dòng) } }
標(biāo)簽： Arduino 10 數(shù)碼管 實(shí)驗(yàn)
上傳時(shí)間： 2013-10-15
上傳用戶：baitouyu
總體平均經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥EMD）方法是一種先進(jìn)的時(shí)頻分析方法，非常適合于對(duì)非平穩(wěn)故障微弱信號(hào)的分析處理。文中介紹了EEMD方法的原理與算法實(shí)現(xiàn)步驟，重點(diǎn)分析了EEMD方法避免模式混淆的機(jī)理。利用EEMD方法對(duì)齒輪箱振動(dòng)信號(hào)進(jìn)行分析，成功提取了小齒輪磨損故障特征，驗(yàn)證了EEMD方法在故障微弱信號(hào)特征提取的有效性。
上傳時(shí)間： 2014-11-30
上傳用戶：wbwyl
探地雷達(dá)回波信號(hào)是一種非平穩(wěn)非線性信號(hào)，其中不僅包含地下埋藏物的目標(biāo)信號(hào)，還包含有可能掩藏目標(biāo)信號(hào)的直達(dá)波信號(hào)，給目標(biāo)的識(shí)別帶來(lái)困難。文中采用HHT方法對(duì)探地雷達(dá)回波信號(hào)進(jìn)行特征分析，提取回波信號(hào)的IMF分量的瞬時(shí)頻率作為特征向量。實(shí)驗(yàn)結(jié)果表明，用HHT方法提取特征可較好的避免直達(dá)波影響，該方法是可行而有效的，為進(jìn)一步鑒別地下埋藏物提供了新的思想和方法。
標(biāo)簽： HHT 探地雷達(dá) 回波信號(hào) 特征提取
上傳時(shí)間： 2013-10-22
上傳用戶：hjkhjk
為了模擬圖像分類任務(wù)中待分類目標(biāo)的可能分布，使特征采樣點(diǎn)盡可能集中于目標(biāo)區(qū)域，基于Yang的有偏采樣算法提出了一種改進(jìn)的有偏采樣算法。原算法將目標(biāo)基于區(qū)域特征出現(xiàn)的概率和顯著圖結(jié)合起來(lái)，計(jì)算用于特征采樣的概率分布圖，使用硬編碼方式對(duì)區(qū)域特征進(jìn)行編碼，導(dǎo)致量化誤差較大。改進(jìn)的算法使用局部約束性編碼代替硬編碼，并且使用更為精確的后驗(yàn)概率計(jì)算方式以及空間金字塔框架，改善了算法性能。在PASCAL VOC 2007和2010兩個(gè)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，平均精度比隨機(jī)選取的特征采樣方法能夠提高約0.5%，驗(yàn)證了算法的有效性。
上傳時(shí)間： 2013-10-24
上傳用戶：wawjj
為了使計(jì)算機(jī)能更好的識(shí)別人臉表情，對(duì)基于Gabor小波變換的人臉表情識(shí)別方法進(jìn)行了研究。首先對(duì)包含表情區(qū)域的靜態(tài)灰度圖像進(jìn)行預(yù)處理，包括對(duì)確定的人臉表情區(qū)域進(jìn)行尺寸和灰度歸一化，然后利用二維Gabor小波變換提取臉部表情特征，使用快速PCA方法對(duì)提取的Gabor小波特征初步降維。再在低維的空間中，利用Fisher準(zhǔn)則提取那些有利于分類的特征，最后用SVM分類器進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，上述提出的方法比傳統(tǒng)的方法識(shí)別速度更快，能達(dá)到實(shí)時(shí)性的要求，并且具有很好的魯棒性，識(shí)別率高。
上傳時(shí)間： 2013-11-08
上傳用戶：小眼睛LSL
蟲(chóng)蟲(chóng)下載站版權(quán)所有 京ICP備2021023401號(hào)-1
