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(diǎn)的灰度值，即亮度值。 由于g (i, j)代表該點(diǎn)圖像的光強(qiáng)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(shù)值來表示(i, j)位置點(diǎn)上灰度級值的大小，即只反映了黑白灰度的關(guān)系。 數(shù)字化采樣一般是按正方形點(diǎn)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(shù)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(biāo)簽： J. H.K. Illingworth Department
上傳時間： 2014-02-25
上傳用戶：hongmo
求一個復(fù)正弦加白噪聲隨機(jī)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(gòu)造4階的自相關(guān)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
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(jié)的函數(shù)呢？ 1. 讀一個字節(jié) uchar tmpread(void) //read a byte date 讀一個字節(jié) { uchar i,j,dat dat=0 for(i=1 i<=8 i++) { j=tmpreadbit() dat=(j<<7)|(dat>>1) //讀出的數(shù)據(jù)最低位在最前面，這樣剛好一個字節(jié)在DAT里 } return(dat) //將一個字節(jié)數(shù)據(jù)返回 }
標(biāo)簽： uchar dat tmpread read
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(wǎng)——擅長于聯(lián)想記憶與解迷路 實(shí)現(xiàn)H網(wǎng)聯(lián)想記憶的關(guān)鍵，是使被記憶的模式樣本對應(yīng)網(wǎng)絡(luò)能量函數(shù)的極小值。 設(shè)有M個N維記憶模式，通過對網(wǎng)絡(luò)N個神經(jīng)元之間連接權(quán) wij 和N個輸出閾值θj的設(shè)計，使得: 這M個記憶模式所對應(yīng)的網(wǎng)絡(luò)狀態(tài)正好是網(wǎng)絡(luò)能量函數(shù)的M個極小值。 比較困難，目前還沒有一個適應(yīng)任意形式的記憶模式的有效、通用的設(shè)計方法。 H網(wǎng)的算法 1）學(xué)習(xí)模式——決定權(quán)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(jīng)元j、i間的權(quán)重： wij=∑ap(i)ap(j)，p=1…p； P：模式的總數(shù) ap(s)：第p個模式的第s個要素（-1或1） wij：第j個神經(jīng)元與第i個神經(jīng)元間的權(quán)重 i = j時，wij=0，即各神經(jīng)元的輸出不直接返回自身。 2)想起模式： 神經(jīng)元輸出值的初始化 想起時，一般是未知的輸入。設(shè)xi(0)為未知模式的第i個要素（-1或1） 將xi(0)作為相對應(yīng)的神經(jīng)元的初始值，其中，0意味t=0。 反復(fù)部分：對各神經(jīng)元，計算： xi (t+1) = f (∑wijxj（t）-θi), j=1…n, j≠i n—神經(jīng)元總數(shù) f（）--Sgn（） θi—神經(jīng)元i發(fā)火閾值 反復(fù)進(jìn)行，直到各個神經(jīng)元的輸出不再變化。
上傳時間： 2015-03-16
上傳用戶：JasonC
詞法分析程序，可對以下的C源程序進(jìn)行分析：main() {int a[12] ,sum for(i=1 i<=12 i++) {for(j=1 j<=12 j++)scanf("%d",&a[i][j]) } for(i=12 i>=1 i--){ for(j=12 j>=1 j--){ if(i==j&&i+j==13)sum+=a[i][j] } } printf("%c",sum) }
上傳時間： 2013-12-26
上傳用戶：skhlm
蟲蟲下載站版權(quán)所有 京ICP備2021023401號-1
