摘 要 該文提出了一種新的圖像閾值分割算法。該算法通過求取最大模糊熵準則下，灰度均值直方圖的最佳模糊劃分 參數來確定兩個模糊集 和 ，圖像分割閾值即選取為兩個模糊集的交點。該算法用 的模糊熵定義適應度函數， . / 01234 采用改進的遺傳算法尋求最佳模糊參數。該文對遺傳算法的改進包括，給出了縮短染色體碼長的編碼方法和性能良好的 改進的單點交叉算子和均勻變異算子。實驗結果表明，該算法的分割效果與二維模糊熵算法接近，而計算時間還沒有用 到二維模糊熵算法的一半。
上傳時間： 2013-12-27
上傳用戶：nanfeicui
1、提取原蛋白質相互作用網絡的所有節點 2、分別計算原蛋白質相互作用網絡每個節點的度 3、從所有節點中選擇具有最高度的節點，反復的添加邊，直到它的度值等于原蛋白質相互作用網絡該節點的度值 4、在為節點添加邊時，從剩余節點中選擇節點的方法是其度分布近似服從power-low分布 5、令t的值為零，則每個節點被選到的可能性都是相同的，由于在原蛋白質相互作用網絡存在大量的低度節點，所以集散節點會優先連接低度節點。 這樣創建的網絡就為負相關蛋白質互作網絡
上傳時間： 2014-01-13
上傳用戶：skfreeman
A/D采樣控制模塊設計 A/D采樣控制模塊負責控制外部ADC0809芯片多路模擬輸入量的選通以及實現對A/D采樣過程的合理控制。此部分的設計根據《EDA技術與VHDL》P211——P212的例8-2編寫，所不同的是這里將書中“ADDA<=1”的賦值語句改為“ADDA <=EN”，EN是所設置的輸入按鍵用來控制INO與IN1間的通道選擇。
上傳時間： 2013-12-21
上傳用戶：fxf126@126.com
基于歸一化互相關系數的算法在模板匹配和特征跟蹤中運用十分廣泛,但缺點是其計算量很大. 為此提出了一種在 空間域利用盒形基簡化互相關的快速算法,在不修改歸一化互相關匹配原理的前提下,用原模板圖像在一組正交盒形基張成 的子空間上的投影取代原圖像來進行互相關計算,以降低圖像精度來縮減計算復雜度. 實驗說明,當搜索窗口大小較小時,此 快速算法計算量明顯小于傳統的頻域快速歸一化互相關算法. 關鍵詞:模板匹配歸一化互相關系數子空間分解盒形基
上傳時間： 2016-06-02
上傳用戶：gxrui1991
這是matlab灰度差程序，其中包含閾值的獲得和鏡頭突變的檢測，適合初學者
上傳時間： 2016-06-12
上傳用戶：Thuan
幾種圖像處理源碼 程序代碼說明 P0301：數字圖像矩陣數據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medfilt2對受椒鹽噪聲干擾的圖像濾波 P0307：采用MATLAB中的函數filter2對受噪聲干擾的圖像進行均值濾波 P0308：圖像的自適應魏納濾波 P0309：運用5種不同的梯度增強法進行圖像銳化 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行平滑處理 P0312：利用巴特沃斯（Butterworth）高通濾波器對圖像進行銳化處理
上傳時間： 2013-11-25
上傳用戶：jkhjkh1982
在充分研究了原有的二值圖像加密算法的基礎上，結合混沌序列的特性提出了一種基于位擴展的灰度圖像加密算法,并作了對比試驗
上傳時間： 2014-01-11
上傳用戶：gtzj
最近做的工程需要用到步進電機,但由于量小,又沒有廠家的選型手冊,只得托人從深圳隨便發了幾個…… NMB （PM35L-048-HPH7）據我的測試，在單四排工作模式下，其步進角為7.5度。 驅動模塊用的是ULN2003,只用了四個單元，接口用的是P3,當然程序里面把P1也定義了，在我的測試板上，P1是接LED指示單元的，只是為了調試方便而以
上傳時間： 2016-08-01
上傳用戶：來茴
假設定義堆為滿足如下性質的完全三叉樹： (1) 空樹為堆； (2) 根結點的值不小于所有子樹根的值，且所有子樹 均為堆。 編寫利用上述定義的堆進行排序的算法，并分析推導 算法的時間復雜度。
上傳時間： 2014-01-27
上傳用戶：xuanchangri
P0201：MATLAB賦值 P0202：MATLAB中的for循環 P0203：MATLAB中的for循環和if條件 P0205：MATLAB圖像處理的基本操作 P0206：MATLAB高級圖像處理操作 P0207：根據RGB圖像創建一幅灰度圖像 P0208：二值圖像的取反操作 P0209：用imshow函數顯示圖像 P0210：在同一個窗口內顯示兩幅圖像
上傳時間： 2013-12-31
上傳用戶：TRIFCT
