photoshop軟件（本例中使用CS5版本，當然各版本界面都大同小異） 界面篇 1 首先我們打開photoshop軟件，界面就如下圖所示了： 2 左側的是工具箱調板，我們可以用鼠標單擊相應的工具進行圖片處理操作，鼠標右擊可以進行某一工具選擇（再使用熟練后，我們也可以按下相應的鍵盤鍵進行選擇），如圖： 3 右側的是窗口調板，我們可以點擊菜單中的窗口菜單，在下拉列表中選擇我們需要的窗口調板，如圖： 4 頂部的菜單欄中包含了全部photoshop常用的操作，我們不必去死記硬背，只要平時常用就會爛熟于心了。 5 在菜單欄的下方是屬性欄，顯示當前我們正在使用的工具的屬性，如圖： END 常用操作 1 打開一張圖片，方法有三種：①使用菜單里面的打開命令；②使用快捷鍵Ctrl+O；③雙擊photoshop界面中心；④拖動想要處理的圖片到photoshop中打開；⑤右鍵選擇要處理的圖片選擇使用photoshop打開命令。 2 保存圖片的方法：一般按下鍵盤上的快捷鍵Ctrl+S，或使用菜單保存命令（如果要另存的話就選擇另存為選項；保存的圖片可以選擇任意格式，.psd是保存當前處理的所有步驟，下次打開還可以繼續編輯，JPEG、png、gif格式就是處理好的圖片格式） 3 歷史記錄面板的用法：我們處理圖片的時候可能要反復修改獲得最佳的效果，那么歷史記錄工具就可以很方便的返回之前我們的操作狀態，如圖，點擊要恢復的步驟，即可恢復圖片： END 使用技巧 如圖所示黑色是前景色、白色是背景色，我們可以按下鍵盤上的X鍵進行前景色和背景色的互換： 圖片移動操作，我們打開兩張圖片，想要移動其中的一張到另一張中，我們可以按住鍵盤的Ctrl鍵，使用鼠標拖動一張圖片到另一張圖片中，如圖： 3 我們可以在處理圖片的時候按下Z鍵使用放大鏡放大圖片的細節，處理圖片的時候就會容易許多，我們可以按ATL鍵在放大和縮小之間切換！ 4 我們可以按住鍵盤上的空格鍵，移動圖片，對于處理大型的圖片還是非常方便的！ END 注意事項 photoshop入門相對來說比較簡單，但熟練操作至少要3個月左右！ 精通photoshop是一條非常漫長的路程，有時候會打退堂鼓，但只要多操作，多制作，慢慢的時間久了也就精了。
上傳時間： 2017-12-07
上傳用戶：1506034115
遺傳算法已經成為組合優化問題的近似最優解的一把鑰匙。它是一種模擬生物進化過程的計算模型，作為一種新的全局優化搜索算法，它以其簡單、魯棒性強、適應并行處理以及應用范圍廣等特點，奠定了作為21世紀關鍵智能計算的地位。 背包問題是一個典型的組合優化問題，在計算理論中屬于NP-完全問題， 其計算復雜度為，傳統上采用動態規劃來求解。設w是經營活動 i 所需要的資源消耗，M是所能提供的資源總量，p是人們經營活動i得到的利潤或收益，則背包問題就是在資源有限的條件下， 追求總的最大收益的資源有效分配問題。
上傳時間： 2018-04-26
上傳用戶：jiazhe110125
#include <stdio.h> #include <stdlib.h> ///鏈式棧 typedef struct node { int data; struct node *next; }Node,*Linklist; Linklist Createlist() { Linklist p; Linklist h; int data1; scanf("%d",&data1); if(data1 != 0) { h = (Node *)malloc(sizeof(Node)); h->data = data1; h->next = NULL; } else if(data1 == 0) return NULL; scanf("%d",&data1); while(data1 != 0) { p = (Node *)malloc(sizeof(Node)); p -> data = data1; p -> next = h; h = p; scanf("%d",&data1); } return h; } void Outputlist(Node *head) { Linklist p; p = head; while(p != NULL ) { printf("%d ",p->data); p = p->next; } printf("\n"); } void Freelist(Node *head) { Node *p; Node *q = NULL; p = head; while(p != NULL) { q = p; p = p->next; free(q); } } int main() { Node *head; head = Createlist(); Outputlist(head); Freelist(head); return 0; } 2.順序棧 [cpp] view plain copy #include <iostream> #include <stdio.h> #include <stdlib.h> ///順序棧 #define MaxSize 100 using namespace std; typedef
上傳時間： 2018-05-09
上傳用戶：123456..
function [alpha,N,U]=youxianchafen2(r1,r2,up,under,num,deta) %[alpha,N,U]=youxianchafen2(a,r1,r2,up,under,num,deta) %該函數用有限差分法求解有兩種介質的正方形區域的二維拉普拉斯方程的數值解 %函數返回迭代因子、迭代次數以及迭代完成后所求區域內網格節點處的值 %a為正方形求解區域的邊長 %r1,r2分別表示兩種介質的電導率 %up,under分別為上下邊界值 %num表示將區域每邊的網格剖分個數 %deta為迭代過程中所允許的相對誤差限 n=num+1; %每邊節點數 U(n,n)=0; %節點處數值矩陣 N=0; %迭代次數初值 alpha=2/(1+sin(pi/num));%超松弛迭代因子 k=r1/r2; %兩介質電導率之比 U(1,1:n)=up; %求解區域上邊界第一類邊界條件 U(n,1:n)=under; %求解區域下邊界第一類邊界條件 U(2:num,1)=0;U(2:num,n)=0; for i=2:num U(i,2:num)=up-(up-under)/num*(i-1);%采用線性賦值對上下邊界之間的節點賦迭代初值 end G=1; while G>0 %迭代條件：不滿足相對誤差限要求的節點數目G不為零 Un=U; %完成第n次迭代后所有節點處的值 G=0; %每完成一次迭代將不滿足相對誤差限要求的節點數目歸零 for j=1:n for i=2:num U1=U(i,j); %第n次迭代時網格節點處的值 if j==1 %第n+1次迭代左邊界第二類邊界條件 U(i,j)=1/4*(2*U(i,j+1)+U(i-1,j)+U(i+1,j)); end if (j>1)&&(j U2=1/4*(U(i,j+1)+ U(i-1,j)+ U(i,j-1)+ U(i+1,j)); U(i,j)=U1+alpha*(U2-U1); %引入超松弛迭代因子后的網格節點處的值 end if i==n+1-j %第n+1次迭代兩介質分界面（與網格對角線重合）第二類邊界條件 U(i,j)=1/4*(2/(1+k)*(U(i,j+1)+U(i+1,j))+2*k/(1+k)*(U(i-1,j)+U(i,j-1))); end if j==n %第n+1次迭代右邊界第二類邊界條件 U(i,n)=1/4*(2*U(i,j-1)+U(i-1,j)+U(i+1,j)); end end end N=N+1 %顯示迭代次數 Un1=U; %完成第n+1次迭代后所有節點處的值 err=abs((Un1-Un)./Un1);%第n+1次迭代與第n次迭代所有節點值的相對誤差 err(1,1:n)=0; %上邊界節點相對誤差置零 err(n,1:n)=0; %下邊界節點相對誤差置零 G=sum(sum(err>deta))%顯示每次迭代后不滿足相對誤差限要求的節點數目G end
標簽： 有限差分
上傳時間： 2018-07-13
上傳用戶：Kemin
能直接瀏覽如尼康、佳能原片NEF照片，無需安裝，綠色軟件。
上傳時間： 2019-02-16
上傳用戶：yzmhm
Reconstruction- and example-based super-resolution (SR) methods are promising for restoring a high-resolution (HR) image from low-resolution (LR) image(s). Under large magnification, reconstruction-based methods usually fail to hallucinate visual details while example-based methods sometimes introduce unexpected details. Given a generic LR image, to reconstruct a photo-realistic SR image and to suppress artifacts in the reconstructed SR image, we introduce a multi-scale dictionary to a novel SR method that simultaneously integrates local and non-local priors. The local prior suppresses artifacts by using steering kernel regression to predict the target pixel from a small local area. The non-local prior enriches visual details by taking a weighted average of a large neighborhood as an estimate of the target pixel. Essentially, these two priors are complementary to each other. Experimental results demonstrate that the proposed method can produce high quality SR recovery both quantitatively and perceptually.
標簽： Super-resolution Multi-scale Dictionary Single Image for
上傳時間： 2019-03-28
上傳用戶：fullout
stm32工程模板
上傳時間： 2019-05-30
上傳用戶：Lily_liu
1/4-inch, 5-Megapixel SOC Image Sensor Optimized for High-Volume Mobile Markets
上傳時間： 2019-09-29
上傳用戶：wsgq2019
STC單片機資料 請用逗號分隔標簽 * 資料描述：
上傳時間： 2019-12-02
上傳用戶：hjd0303
fds 選擇文件 X 飛行器半實物仿真初案_
上傳時間： 2020-03-06
上傳用戶：stormfree
