本論文主要介紹圖像處理系統(tǒng)軟件的算法分析、代碼實(shí)現(xiàn)。以及實(shí)現(xiàn)軟件開發(fā)的程序開發(fā)工具Delphi的簡單介紹。軟件開發(fā)的目的是實(shí)現(xiàn)對圖像的銳化、扭曲、波浪平滑處理等效果。文章的主要內(nèi)容為該軟件的算法分析過程、代碼編寫、界面設(shè)計(jì)和系統(tǒng)實(shí)現(xiàn)過程。本論文特別對圖象的銳化、圖象的扭曲和圖象的平滑處理算法進(jìn)行了系統(tǒng)的分析和比較，如銳化功能的差分法與邊緣提取算法的分析、比較，平滑功能的平滑濾波法、中值濾波法、自適應(yīng)濾波法等算法的分析、比較。然后對確定的這幾個(gè)功能算法的實(shí)現(xiàn)編寫了Delphi的算法代碼，其中心代碼在文中將詳細(xì)介紹。論文最后介紹了本軟件的界面設(shè)計(jì)過程和界面設(shè)計(jì)結(jié)果，并對其中幾個(gè)主要按鈕的代碼實(shí)現(xiàn)做了介紹。是介紹整個(gè)軟件開發(fā)過程的文章。
標(biāo)簽： Delphi 算法分析 軟件開發(fā) 論文
上傳時(shí)間： 2017-05-21
上傳用戶：qw12
VC的可視化編程環(huán)境為我們提供了方便的界面編程操作，然而對于不規(guī)則窗體的實(shí)現(xiàn)，還需要通過語言編程來實(shí)現(xiàn)。本文檔教你如何編寫自定制不規(guī)則窗體！
標(biāo)簽： 可視化編程 環(huán)境 操作 界面編程
上傳時(shí)間： 2014-01-15
上傳用戶：lz4v4
Visual C++（簡稱VC）是Microsoft公司推出的目前使用極為廣泛的基于Windows平臺的C++可視化開發(fā)環(huán)境。Visual C++6.0提供的控制臺應(yīng)用程序?qū)W(xué)習(xí)和掌握標(biāo)準(zhǔn)C++內(nèi)容非常有利。“可視”的資源編輯器與MFC類以及應(yīng)用程序向?qū)В瑸榭焖俑咝У亻_發(fā)出功能強(qiáng)大的Windows應(yīng)用程序提供了極大的方便。利用Visual C++6.0進(jìn)行Internet、數(shù)據(jù)庫及多媒體等多方面的程序開發(fā)也很容易。在我國，Visual C++6.0已相當(dāng)流行，為了適應(yīng)形式發(fā)展的需要和廣泛的社會需求，我信息工程學(xué)院各專業(yè)自2003年開始，都陸續(xù)開設(shè)了C++和Visual C++應(yīng)用程序設(shè)計(jì)課程。為了方便教學(xué)和學(xué)生們的學(xué)習(xí)，我們開設(shè)了網(wǎng)上教學(xué)一欄，將教師教案供學(xué)生網(wǎng)上閱讀，并在其中設(shè)立學(xué)生提問，教師答疑等。希望同學(xué)們能真正學(xué)好這門課程。
標(biāo)簽： Visual Microsoft Windows 6.0
上傳時(shí)間： 2014-12-21
上傳用戶：sdq_123
P0301：數(shù)字圖像矩陣數(shù)據(jù)的顯示及其傅立葉變換 P0302：二維離散余弦變換的圖像壓縮 P0303：采用灰度變換的方法增強(qiáng)圖像的對比度 P0304：直方圖均勻化 P0305：模擬圖像受高斯白噪聲和椒鹽噪聲的影響 P0306：采用二維中值濾波函數(shù)medfilt2對受椒鹽噪聲干擾的圖像濾波 P0307：采用MATLAB中的函數(shù)filter2對受噪聲干擾的圖像進(jìn)行均值濾波 P0308：圖像的自適應(yīng)魏納濾波 P0309：運(yùn)用5種不同的梯度增強(qiáng)法進(jìn)行圖像銳化 P0310：圖像的高通濾波和掩模處理 P0311：利用巴特沃斯（Butterworth）低通濾波器對受噪聲干擾的圖像進(jìn)行平滑處理 P0312：利用巴特沃斯（Butterworth）高通濾波器對圖像進(jìn)行銳化處理
標(biāo)簽： P0301 P0302 P0303 P0304
上傳時(shí)間： 2017-07-12
上傳用戶：ikemada
語音識別中的說話人自適應(yīng)研究.nh 1.MAP和MLLR算法比較 文章在討論由說話人引起的聲學(xué)差異基礎(chǔ)上，研究兩種基于模型 的自適應(yīng)算法:最大似然線性回歸(州壓LR)和最大后驗(yàn)概率(MAp)。 實(shí)驗(yàn)結(jié)果表明，不論采用哪種自適應(yīng)都能使識別率有一定的提升。兩 種算法之間的差異性在于MAP具有良好的漸進(jìn)性，但收斂性較差， 而MLLR在很大程度上改善了收斂特性，但其漸進(jìn)特性卻不如MAP。 文章討論了在側(cè)汰P自適應(yīng)中，初始模型參數(shù)的先驗(yàn)知識對自適 應(yīng)效果的影響，以及在MLLR中，回歸類對自適應(yīng)效果的影響。文 章還進(jìn)一步研究了采用兩種算法的累加自適應(yīng)效果，從結(jié)果看MAP 和MLLR結(jié)合的方法比單獨(dú)使用M[AP和MLLR的效果要好。文章 還對包括基于特征層的歸一化算法和用于基于聲學(xué)模型的MLLR算 法等效性進(jìn)行討論，并給出了統(tǒng)一的算法框架。
上傳時(shí)間： 2014-01-09
上傳用戶：bakdesec
這個(gè)程序可以自定義顏色選擇框，因?yàn)閙atlab自帶的uisetcolor在編譯后的.exe中運(yùn)行會導(dǎo)致窗口最小化，所以可以自定義顏色選擇框
上傳時(shí)間： 2013-12-12
上傳用戶：蠢蠢66
隨著 國 內(nèi) 遙感衛(wèi)星的迅 速發(fā)展衛(wèi)星 圖 像的 圖 幅越來 越大分辨率越來越高 。 在軌 遙感 圖 像的幾何 精 度 評價(jià)要求從待評遙感 圖 像和 多源 參考 圖 像之間精確 地提取出 分布 均 勻 的控 制 點(diǎn) 信 息 。 使用 濾波 對高 分辨率影像進(jìn) 行增強(qiáng)時(shí) ， 會 產(chǎn)生過增強(qiáng) 和飽和 現(xiàn)象 影響 了 控制 點(diǎn) 提取效果。 為 了 克 服上述缺陷 提出 了 一 種基于 稀 疏識別的 自 適應(yīng) 圖像增 強(qiáng)算 法。 方法 首先計(jì)算 圖像子區(qū)域的 輻射質(zhì)量參數(shù)并構(gòu) 建 分類特征 ； 然 后通過 稀疏識別算 法確 定子區(qū)域的 地物 類型； 最后根據(jù)子區(qū)域所屬 地物類 型 ， 選擇不同 的 濾 波 參數(shù) 實(shí) 現(xiàn)整幅圖 像 的 自 適 應(yīng)增 強(qiáng) 并 在增 強(qiáng) 的 遙感圖 像上提 取控制 點(diǎn) 信息 實(shí) 現(xiàn)遙感圖像 的 幾何精 度 自 動(dòng) 化評價(jià)。 結(jié)果 針 對資源 三號衛(wèi)星影 像的 實(shí) 驗(yàn)結(jié)果表明 針對不同 的 子區(qū)域地物 類型進(jìn)行 自 適 應(yīng) 增強(qiáng)， 有 效 防 止了 基于全局統(tǒng)一 參 數(shù)的 濾波帶來 的 過增 強(qiáng)和飽和現(xiàn)象 有 效增強(qiáng) 了 高 分辨 率圖像 的紋理。 結(jié)論 提出 了 一 種 新的高分 辨率遙 感影像增強(qiáng) 策略 增強(qiáng)了 高 分辨率圖 像的 紋理， 提高 了控制 點(diǎn)的 獲 取數(shù) 目 和 準(zhǔn) 確 率。 關(guān)鍵詞： 稀疏識別 ； 輻射參數(shù) ； 自 適應(yīng) 增強(qiáng)； 提取控制 點(diǎn)
上傳時(shí)間： 2015-11-22
上傳用戶：chao1020
notepad2_4.2.25漢化資源文件 CSDN-tags:notepad2 sChinese 中文rc資源 Notepad2中文資源修改自： http://www.flos-freeware.ch/zip/notepad2_4.2.25_src.zip\src\Notepad2.rc
上傳時(shí)間： 2018-09-08
上傳用戶：xxagri
對于國內(nèi)金屬化電容器研究現(xiàn)狀進(jìn)行闡述，并對電容器自愈性展開討論。
標(biāo)簽： 薄膜電容器
上傳時(shí)間： 2022-02-09
上傳用戶：1208020161
1.針對一類參數(shù)未知的非線性離散時(shí)間動(dòng)態(tài)系統(tǒng)，提出了一種新的基于神經(jīng)網(wǎng)絡(luò)的MMAC方法。首先，將系統(tǒng)分為線性部分和非線性部分。針對系統(tǒng)線性部分采用局部化方法逮立多個(gè)固定模型覆蓋系統(tǒng)的參數(shù)范圍，在此基礎(chǔ)上，建立自適應(yīng)模型來提高系統(tǒng)性能；針對系統(tǒng)非線性部分建立非線性神經(jīng)網(wǎng)絡(luò)預(yù)測模型來邏近系統(tǒng)的非線性。然后，針對每個(gè)子模型設(shè)計(jì)相應(yīng)的擅制器。最后，設(shè)計(jì)基于誤差范數(shù)形式的性能指標(biāo)函數(shù)對控制器進(jìn)行硬切換。仿真結(jié)果表明，所提出的MMAC方法與傳統(tǒng)的在參數(shù)空間均勻分布的MMAC方法相比能顯著提高非線性系統(tǒng)的暫態(tài)性能。2針對一類具有參數(shù)跳變的非線性離散時(shí)間動(dòng)態(tài)系統(tǒng)，提出子一種基才聚類方法和神經(jīng)網(wǎng)絡(luò)的MMAC方法，首先，采用模糊c均值聚類算法對系統(tǒng)先驗(yàn)數(shù)據(jù)進(jìn)行分類處理，再分別對每類數(shù)據(jù)采用RLS算法建立多個(gè)固定模型。在此基礎(chǔ)上，建立兩個(gè)白適應(yīng)模型來提高系統(tǒng)響應(yīng)速度和控制品質(zhì)，建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型來補(bǔ)償系統(tǒng)非線性。然后，分別針對相應(yīng)的子模型設(shè)計(jì)線性魯棒自適應(yīng)控制器和神經(jīng)網(wǎng)絡(luò)控制器。最后，采用基于信號有界和測量誤差的性能切換指標(biāo)對控制器進(jìn)行切換，并證明閉環(huán)系統(tǒng)的穩(wěn)定性。仿真結(jié)果表明，所提出的算法能更好地解決非線性系統(tǒng)發(fā)生參數(shù)跳變問題，使得系統(tǒng)具有良好的控制品質(zhì)3.針對MMAC方法中的模型庫優(yōu)化問題，考慮系統(tǒng)實(shí)際運(yùn)行數(shù)據(jù)，提出了種基于相似度準(zhǔn)則和設(shè)置最大模型數(shù)的動(dòng)態(tài)優(yōu)化模型庫方法。該方法能對新數(shù)據(jù)進(jìn)行綜合考量并判斷是否應(yīng)該將該數(shù)據(jù)納入子模型建模，并通過設(shè)置最大模型數(shù)來確保系統(tǒng)用最少的子模型就能保證系統(tǒng)的控制性能。仿真結(jié)果表明，所提出的算法能極大地減少子模型數(shù)量且具有較好的控制效果。關(guān)鍵詞：非線性系統(tǒng)；多模型方法；自適應(yīng)控制；模糊聚類；神經(jīng)網(wǎng)絡(luò)
標(biāo)簽： 自適應(yīng)控制
上傳時(shí)間： 2022-03-11
上傳用戶：
蟲蟲下載站版權(quán)所有 京ICP備2021023401號-1
