單片機(jī)鍵盤(pán)掃描程序，請(qǐng)朋友們?cè)囋嚕绻枰喑绦颍?qǐng)合我聯(lián)系
標(biāo)簽： 單片機(jī) 鍵盤(pán)掃描程序
上傳時(shí)間： 2013-12-19
上傳用戶(hù)：luke5347
制圖綜合是傳統(tǒng)的地圖生產(chǎn)不可缺少的技術(shù)手段之一，是地圖學(xué)的核心理論和制圖學(xué)者關(guān)注的焦點(diǎn)問(wèn)題。它的實(shí)質(zhì)是解決地圖內(nèi)容隨比例尺的變化而產(chǎn)生的多尺度表達(dá)的問(wèn)題。其任務(wù)是對(duì)地圖內(nèi)容隨比例尺變化過(guò)程中的增減進(jìn)行合乎制圖學(xué)理論要求的綜合變換。 本PPT對(duì)于地圖制作人員和學(xué)生了解制圖綜合具有很大的幫助。
上傳時(shí)間： 2015-11-24
上傳用戶(hù)：123啊
只要輸入低通濾波器系數(shù)，可畫(huà)有負(fù)數(shù)尺度的多尺度函數(shù)的圖象
上傳時(shí)間： 2014-06-26
上傳用戶(hù)：huangld
在用小波分解加強(qiáng)圖像邊緣的基礎(chǔ)上，利用修正的形態(tài)學(xué)邊緣檢測(cè)算子，以減 輕圖像邊緣檢測(cè)的模糊性；通過(guò)形態(tài)結(jié)：構(gòu)元素尺度的調(diào)整，得到多尺度下圖像邊緣的 特征，并綜合各尺度下的邊緣特征，得到較為理想的圖像邊緣，實(shí)驗(yàn)驗(yàn)證了該算法的可 行性和有效性。
上傳時(shí)間： 2014-11-18
上傳用戶(hù)：2467478207
首先介紹多元線(xiàn)性回歸公式（即最小二乘法計(jì)算公式），然后進(jìn)行VB編程，實(shí)現(xiàn)多次曲線(xiàn)擬合算法。
標(biāo)簽： 多元 回歸 線(xiàn)性 最小二乘法
上傳時(shí)間： 2013-12-24
上傳用戶(hù)：蠢蠢66
非常經(jīng)典的一篇短篇，圖像多尺度分析，尺度選擇，對(duì)圖像多尺度分析的朋友非常有用
標(biāo)簽：
上傳時(shí)間： 2013-11-28
上傳用戶(hù)：kelimu
支持向量機(jī)在模式識(shí)別和分類(lèi)中應(yīng)用廣泛， 小波方法的多尺度特性也眾所周知。 本文將小波和支持向量機(jī)相互結(jié)合實(shí)現(xiàn)特征提取。
標(biāo)簽： 支持向量機(jī) 分類(lèi) 模式識(shí)別
上傳時(shí)間： 2017-03-13
上傳用戶(hù)：x4587
應(yīng)用聯(lián)合多重分形理論研究了。一20 cm土層土壤含水率、土壤電導(dǎo)率、砂粒含量、粘粒含量、粗粉粒 含量、土壤粒徑分布體積分形維數(shù)、土壤容重、有機(jī)質(zhì)含量的空間變異性與20—40 cm土層對(duì)應(yīng)變量空間變異性在 多尺度上的相互關(guān)系。結(jié)果表明：相對(duì)于0—20 cm土層上述變量的空間變異性，20一40 cm土層粗粉粒含量、有機(jī) 質(zhì)含量空間變異性的變化率最大。土壤電導(dǎo)率、粘粒含量、土壤粒徑分布體積分形維數(shù)空間變異性的變化率最小， 砂粒含量、土壤含水率。土壤容重空間變異性的變化率介于兩者之間；多尺度上，0—20 em土層土壤含水率，土壤容 重、有機(jī)質(zhì)含量、粘粒含量、砂粒含量、土壤電導(dǎo)率、土壤粒徑分布體積分形維數(shù)、粗粉粒含量與20—40 cm土層對(duì)應(yīng) 變量空間變異性在多尺度上的相關(guān)性依次減弱。
標(biāo)簽： 土壤特性 空間變異性 多尺度聯(lián)合 多重分形
上傳時(shí)間： 2018-08-13
上傳用戶(hù)：閩外莯莯
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(biāo)簽： Super-resolution Multi-scale Dictionary Single Image for
上傳時(shí)間： 2019-03-28
上傳用戶(hù)：fullout
小波變換是時(shí)間（空間）頻率的局部化分析，它通過(guò)伸縮平移運(yùn)算對(duì)信號(hào)(函數(shù))逐步進(jìn)行多尺度細(xì)化，最終達(dá)到高頻處時(shí)間細(xì)分，低頻處頻率細(xì)分，能自動(dòng)適應(yīng)時(shí)頻信號(hào)分析的要求，從而可聚焦到信號(hào)的任意細(xì)節(jié)。
上傳時(shí)間： 2019-04-01
上傳用戶(hù)：dmwx
蟲(chóng)蟲(chóng)下載站版權(quán)所有 京ICP備2021023401號(hào)-1
