搜索资源列表
Dynamic-array
- 动态数组、随机数、文件写入教学 学生考试出卷系统-Dynamic array, random number, document writing teaching Students test paper setting system
Desktop
- 卷积交织+块交织 输入一组数据，输出交织后的数据-Data convolution interleaving+ block interleaving input data set, the output of the interleaved
f11_2
- DWT最终的CL组构中除了最高层的逼近系数是没有其它层的逼近系数的，而你这个分解刚好是两层，刚好有第二层的逼近系数，所以a2的重构不牵扯细节的问题，其操作就是将CL组构中的第二层小波逼近的系数B1隔点补零然后和小波滤波器组中的低通重构滤波器卷积得到a2。-Two layer reconstruction
banlao_v63
- 有均匀线阵的CRB曲线，计算互信息非常有用的一组程序,意信号卷积的运算,并且绘制图象。- There ULA CRB curve, Mutual information is useful to calculate
juanjibinama
- 通过卷积对任意数据进行加密和解密，通过修改数组的值可以改变最大输入位数。-By convolution of any data encryption and decryption, by modifying the value of the array can change the maximum number of input bits.
juijei
- 意信号卷积的运算,并且绘制图象，基于K均值的PSO聚类算法,计算互信息非常有用的一组程序。- Convolution operation is intended to signal and image rendering, K-means clustering algorithm based on the PSO, Mutual information is useful to calculate a set of procedures.
ofdm_2
- OFDM仿真包括信号源,卷积码编码，交织，qpsk调制，IFFT，组帧，上采样，通过FIR滤波器 通过高斯信道，再经过低通FIR滤波器，下采样，拆帧，FFT，qpsk解调，接收数据；计算误比特率-OFDM simulation including the signal source, sampling convolutional encoding, interleaving, QPSK modulation, IFFT, frame,, through the FIR filter throu
cn24
- CN24是一个完整的语义分割框架充分利用卷积网络。它支持多种平台（Linux，MAC OS X和Windows）和库（OpenCL，英特尔，AMD aCML……）同时提供免费的参考实现的依赖。软件开发的计算机视觉组和在耶那大学。(CN24 is a complete semantic segmentation framework that makes full use of the convolution network. It supports a variety of platforms (
二维离散小波变换的代码
- 二维小波变换，不断分层，依次类推，形成卷积数组(Two dimensional wavelet stratification, continuous.)
co_saliency_co_segmentation
- 这是这篇文章的代码 “范满梦，洪亮丽，广慧柳，King Ngi Ngan，“基于最短路径算法和显著性模型对象分割，”IEEE多媒体，卷，5号，页1429 - 1441, 2012。” 我们的目标是段常见物体从一组图像中使用的最短路径算法。 这是一个初步的版本，所以如果你发现一个bug，联系洪亮丽 hlli@uestc.edu.cn。 %参考 如果使用此代码，请参阅： “范满梦，洪亮丽，广慧柳，King Ngi Ngan，“基于最短路径算法和显著性模型对象分割，”IEEE多媒体，
LabVIEW源代码及实验指导书
- LabVIEW源代码及实验指导书,包括卷 DataB 的文件夹 PATH 列表 卷序列号码为 000007C0 88D9:A08B F:. ├─Document │ └─网络通信协议 ├─Experiment │ ├─1-数值与布尔变量,数据操作 │ ├─10-定时结构与同步技术 │ │ ├─1-定时结构 │ │ ├─2-队列(Queue)技术 │ │ │ └─SubVIs │ │ ├─3-事件发生(Occurence)技术 │ │ ├─4-通
水下图像去雾与增强
- 这篇论文提出了一种较好的水下图像增强的方法。首先使用经过端到端训练的卷积神经网络去测量输入图片，同时以自适应双边滤波器对传输图片进行处理。接着提出一种基于白平衡的策略来消除图片的颜色偏差，用拉普拉斯金字塔融合获得无雾和色彩校正图像的融合结果。 最后，输出图像被转换为混合小波和方向滤波器组（HWD）域，用于去噪和边缘增强。 实验结果表明，该方法可以消除颜色失真，提高水下图像的清晰度。(This paper proposes a better underwater image enhancement