矩陣中的每一個元素稱為像元、像素或圖像元素。而g(i, j)代表(i, j)點的灰度值，即亮度值。 由于g (i, j)代表該點圖像的光強度（亮度），而光是能量的一種形式，故g (i, j)必須大于零，且為有限值，即： 0＜=g (i, j)＜2n。 用g (i, j)的數值來表示(i, j)位置點上灰度級值的大小，即只反映了黑白灰度的關系。 數字化采樣一般是按正方形點陣取樣的，
上傳時間： 2013-12-22
上傳用戶：lunshaomo
這是一個三次樣條插值的.m程序 輸入的是一個二維數組A(Nx2) 插值方法為: S(x) = A(J) + B(J)*( x - x(J) ) + C(J)*( x - x(J) )**2 +D(J) * ( x - x(J) )**3 for x(J) <= x < x(J + 1)
上傳時間： 2013-12-14
上傳用戶：gengxiaochao
求矩陣A i,j)=1/ i+j+1)的最大、最小特征值
上傳時間： 2017-03-09
上傳用戶：songnanhua
ellipse detection using the hough transform 作者 H.K. Yuen, J. Illingworth and J. Kittler Department of Electronics and Electrical Engineering University of Surrey, Guildford。對霍夫變換檢測檢測橢圓的原理有一定的參考意義。
標簽： J. H.K. Illingworth Department
上傳時間： 2014-02-25
上傳用戶：hongmo
求一個復正弦加白噪聲隨機過程的信號： xn=exp(j*pi*n-j*pi)+exp(j*w0*n-j*0.7*pi)+v v(n)為零均值白噪聲。S/N=10dB。取P=3，構造4階的自相關矩陣R的基于MUSIC算法的功率譜估計的MATLAB程序
上傳時間： 2017-08-31
上傳用戶：franktu
《實戰C++ — 八個別具特色的實作經驗》與目前市面㆖ 眾多C++ 書籍的最大不同，在於 本書既非基礎觀念之教㈻ 書籍，亦非開發工具之使用手冊，而是以「㆒ 章㆒ 專案」的方式， 從實際應用面引領讀者領略C++。 本書是《The Art of C++》的㆗ 文譯本。原作者Herbert Schildt 是㆒ 位㈻ ㈲ 專精、著作等身的 IT 技術作家，其作品普遍獲得良好評價。
標簽： 12694
上傳時間： 2016-02-08
上傳用戶：894898248
A salient-boundary extraction software package based on the paper: S. Wang, T. Kubota, J. M. Siskind, J. Wang. Salient Closed Boundary Extraction with Ratio Contour, IEEE Transactions on Pattern Analysis and Machine Intelligence, 27(4):546-561, 2005
上傳時間： 2014-01-23
上傳用戶：gonuiln
如何編寫讀/寫一個字節的函數呢？ 1. 讀一個字節 uchar tmpread(void) //read a byte date 讀一個字節 { uchar i,j,dat dat=0 for(i=1 i<=8 i++) { j=tmpreadbit() dat=(j<<7)|(dat>>1) //讀出的數據最低位在最前面，這樣剛好一個字節在DAT里 } return(dat) //將一個字節數據返回 }
上傳時間： 2017-09-06
上傳用戶：gengxiaochao
j-link,V466 j-link,V466 j-link,V466 j-link,V466 j-link,V466 j-link,V466 j-link,V466
上傳時間： 2021-03-23
上傳用戶：koko440
Hopfield 網——擅長于聯想記憶與解迷路 實現H網聯想記憶的關鍵，是使被記憶的模式樣本對應網絡能量函數的極小值。 設有M個N維記憶模式，通過對網絡N個神經元之間連接權 wij 和N個輸出閾值θj的設計，使得: 這M個記憶模式所對應的網絡狀態正好是網絡能量函數的M個極小值。 比較困難，目前還沒有一個適應任意形式的記憶模式的有效、通用的設計方法。 H網的算法 1）學習模式——決定權重 想要記憶的模式，用-1和1的2值表示 模式：-1，-1，1，-1，1，1，... 一般表示： 則任意兩個神經元j、i間的權重： wij=∑ap(i)ap(j)，p=1…p； P：模式的總數 ap(s)：第p個模式的第s個要素（-1或1） wij：第j個神經元與第i個神經元間的權重 i = j時，wij=0，即各神經元的輸出不直接返回自身。 2)想起模式： 神經元輸出值的初始化 想起時，一般是未知的輸入。設xi(0)為未知模式的第i個要素（-1或1） 將xi(0)作為相對應的神經元的初始值，其中，0意味t=0。 反復部分：對各神經元，計算： xi (t+1) = f (∑wijxj（t）-θi), j=1…n, j≠i n—神經元總數 f（）--Sgn（） θi—神經元i發火閾值 反復進行，直到各個神經元的輸出不再變化。
上傳時間： 2015-03-16
上傳用戶：JasonC
