<li id="wmeiy"></li> <li id="wmeiy"></li> slickeditv10.0linuxcrackz.w.t.zip SlickEdit v10.0 for linux 注冊機 在國內網站上找了N天都沒找到，在國外一家網站找到。雖然不是源代碼，但是SlickEdit是Linux下最好用的30多種編程IDE。這個是注冊機安裝文件在百度裡找吧
標簽： 10.0 linuxcrackz slickeditv SlickEdit
上傳時間： 2013-12-10
上傳用戶：大融融rr
車牌定位－－－VC++源代碼程序 1.24位真彩色->256色灰度圖。 2.預處理:中值濾波。 3.二值化:用一個初始閾值T對圖像A進行二值化得到二值化圖像B。 初始閾值T的確定方法是:選擇閾值T=Gmax-(Gmax-Gmin)/3,Gmax和Gmin分別是最高、最低灰度值。 該閾值對不同牌照有一定的適應性,能夠保證背景基本被置為0,以突出牌照區域。 4.削弱背景干擾。對圖像B做簡單的相鄰像素灰度值相減,得到新的圖像G,即Gi,j=|Pi,j-Pi,j-1|i=0,1,…,439 j=0,1,…,639Gi,0=Pi,0,左邊緣直接賦值,不會影響整體效果。 5.用自定義模板進行中值濾波 區域灰度基本被賦值為0。考慮到文字是由許多短豎線組成,而背景噪聲有一大部分是孤立噪聲,用模板(1,1,1,1,1)T對G進行中值濾波,能夠得到除掉了大部分干擾的圖像C。 6.牌照搜索:利用水平投影法檢測車牌水平位置,利用垂直投影法檢測車牌垂直位置。 7.區域裁剪,截取車牌圖像。
上傳時間： 2013-11-26
上傳用戶：懶龍1988
1.24位真彩色->256色灰度圖。 2.預處理:中值濾波。 3.二值化:用一個初始閾值T對圖像A進行二值化得到二值化圖像B。 初始閾值T的確定方法是:選擇閾值T=Gmax-(Gmax-Gmin)/3,Gmax和Gmin分別是最高、最低灰度值。 該閾值對不同牌照有一定的適應性,能夠保證背景基本被置為0,以突出牌照區域。 4.削弱背景干擾。對圖像B做簡單的相鄰像素灰度值相減,得到新的圖像G,即Gi,j=|Pi,j-Pi,j-1|i=0,1,…,439 j=0,1,…,639Gi,0=Pi,0,左邊緣直接賦值,不會影響整體效果。 5.用自定義模板進行中值濾波 區域灰度基本被賦值為0。考慮到文字是由許多短豎線組成,而背景噪聲有一大部分是孤立噪聲,用模板(1,1,1,1,1)T對G進行中值濾波,能夠得到除掉了大部分干擾的圖像C。 6.牌照搜索:利用水平投影法檢測車牌水平位置,利用垂直投影法檢測車牌垂直位置。 7.區域裁剪,截取車牌圖像。
上傳時間： 2014-01-08
上傳用戶：songrui
以兩片由TI 公司生產的數字信號處理器TMS320C6203B 為核心,用可編程邏輯陣列CPLD 進行邏輯控 制,采用現場可編程門陣列FPGA 作圖像的預處理和進行雙數字信號處理器(DSP) 之間的通訊,實現了實時相關的圖像 處理。此系統實時性好,可直接利用數字圖像的灰度特征,在低信噪比的情況下目標跟蹤點漂移小,目標跟蹤能夠較好 地適應不同灰度分布的背景。
上傳時間： 2016-05-11
上傳用戶：kytqcool
使用C#程式語言開發，並執行於.NET Framework下；是研習「蟻拓尋優法」不可或缺的軟體工具。系統使用ACO (Ant Colony Optimization)演算公式模擬螞蟻的覓食行徑抉擇。使用者可以設定費洛蒙和食物氣味強度等相關參數以及動態設定障礙物的位置和形狀，研習螞蟻覓食的最短路徑形成過程。研習各種參數設定對螞蟻覓食行為的影響，了解費落蒙機制對蟻拓尋優化法的影響。本系統可支援柔性計算教學，研習蟻拓優化法中人工螞蟻的隨機搜尋模式和啟發式法則設計原理。
標簽： 程式
上傳時間： 2013-12-24
上傳用戶：anng
基于VB的遺傳算法軟件實現 在程序中,FitnessValue (i) 為適應度值數組、avFit2nessValue (100) 為歸一化適應度值數組、Population2 Chrom(i ,j) 為遺傳個體的等位基因值、Popsize 為種群中的個體數,CHROMLENGTH為一母體對的等位基因 總數。
標簽： avFit2nessValue FitnessValue Population2 Chrom
上傳時間： 2014-01-09
上傳用戶：1966640071
PWM經過RC濾波產生電壓,經過XTR115產生4-20mA電流輸出,要點是XTR115的電壓輸入問題,自身為兩線制,+5V輸出提供不了較大電流,需要用DCDC,RC濾波采用鉭電容和4.7k-4.9k的低溫漂電阻能得到較高線形度,PWM輸出為AVR單片機16位,模式15,不分頻
上傳時間： 2013-12-20
上傳用戶：凌云御清風
Q. Zhou, J.K. Aggarwal. Tracking and Classifying Moving Objects from Video. 這篇文章另辟蹊徑，利用“緊湊度值的變化、運動方向的變化”，區分人、人群、機動車。達到良好的分類效果。是運動目標分類領域的好文章。
標簽： Q. J.K. Classifying Aggarwal
上傳時間： 2013-12-17
上傳用戶：alan-ee
L3_1.m: 純量量化器的設計(程式) L3_2.m: 量化造成的假輪廓(程式) L3_3.m: 向量量化器之碼簿的產生(程式) L3_4.m: 利用LBG訓練三個不同大小與維度的碼簿並分別進行VQ(程式) gau.m: ML量化器設計中分母的計算式(函式) gau1.m: ML量化器設計中分子的計算式(函式) LBG.m: LBG訓練法(函式) quantize.m:高斯機率密度函數的非均勻量化(函式) VQ.m: 向量量化(函式) L3_2.bmp: 影像檔 lena.mat: Matlab的矩陣變數檔
上傳時間： 2013-12-26
上傳用戶：jiahao131
使用多層感知機來做xor分類，可調整neuron數和目標error大小。
上傳時間： 2017-06-09
上傳用戶：qweqweqwe
