精华内容
下载资源
问答
  • 对比了多种常规严重度指标的优劣,将电压暂降经历的多个持续时间区间敏感度相叠加,构建更加精细的改进电压暂降严重度指标,与多次电压暂降的电压持续曲线结合,形成多次电压暂降严重度评估方法。某110 kV变电站和...
  • 结合人类视觉系统(HVS)的感知特性,在Con-tourlet变换域建立了一个新的可计算JND门限模型,该模型综合考虑了HVS的空间频率敏感性、方向敏感性、对比度掩盖与邻域掩盖特性.由于邻域掩盖模型的引入,能够有效鉴别图像中...
  • 第五章 实现(implementations...一般情况下,除非当前代码对于处理效率非常敏感,不然应该将变量定义在循环内,避免维护问题。 Item27:尽量减少转型动作(casting) c语言中的类型转换语法:(type)expression;

    第五章 实现(implementations)

    Item26:尽可能延后变量定义式的出现时间

    这样可以改善程序的清晰度并改善程序效率;
    对于循环中的变量:考虑放在内外的不同情况下的成本对比;
    一般情况下,除非当前代码对于处理效率非常敏感,不然应该将变量定义在循环内,避免维护问题。
    

    Item27:尽量减少转型动作(casting)

    c语言中的类型转换语法:(type)expression;OR type(expression);
    c++中新增的类型转换语法:
        1.const_cast<T>(expression);移除对象的常量性const转为non-const;
        2.dynamic_cast<T>(expression);安全向下转型???
        3.reinterpret_cast<T>(expression);很少用,执行低级转型;
        4.static_cast<T>(expression);强迫隐式转换:non-const转为const,int转为double等,void*指针转为typyed指针,pointer-to-base转为pointer-to-derived等。
        总结:尽量少使用转型操作,以及尽量避免dynamic_cast操作,使用转型时,尽量使用新式转型操作符。
    

    Item28:避免返回handles指向对象内部成分

    避免返回handles(引用、指针、迭代器)指向对象内部,否则会破坏对象的封装性。
    

    Item29:为“异常安全”而努力是值得的

    ??????????????(没有看懂)
    

    Item30:透彻了解inlining的里里外外

    对于体积小的函数而言
    

    Item31:将文件间的编译依存关系降至最低

    第六章 继承与面向对象程序设计

    Item32:确定你的public继承塑模出is-a关系

    Item33:避免遮掩继承而来的名称

    1.继承类内的名称会遮掩base classes内的名称;
    2.为了让基类中被遮掩的函数在派生类中可见,可用using::base 或者转交函数(forwarding function)(为那些不支持using声明式的老旧编译器的方法)
    

    Item34:区分接口继承与实现继承

    1.
    

    Item35:考虑virtual函数以外的其他选择

    Item36:绝不重新定义继承而来的non-virtual函数

    Item37:绝不重新定义继承 而来的缺省参数值

    缺省参数值都是静态绑定;而virtual函数是动态绑定(唯一可以覆写的东西)
    

    Item38:通过符合塑模出has-a或者根据某物实现出:

    复合(composition)是类型之间的一种关系,当某种类型的 对象内含它种类型的对象,便是这种关系。
    set的实现:每个元素招致三个指针的开销,以平衡查找树实现查找,在查找。删除、插入有对数的效率,当时间比空间重要时,这样的 设计合情合理;但是,当空间比时间重要时,需要写自己的template。
    复用(reuse)有诸多好处。
    is-implemented-in-terms-of
    

    Item39:明智而审慎地使用private继承

    public继承:is-a的关系,基类的属性派生类全有。
    private继承:意味着is-implemented-in-terms-of;与上一条款中的composition中的意义相同,一般情况下,尽量使用复合,必要时使用private继承。
    private继承的基类中的所有成员在派生类中全部为private状态。
    但是当派生类需要访问基类的protected成员,或者需要重新定义继承而来的virtual函数时,这么做是合理的。
    与composition不同,private 继承可以造成empty base最优化。这对于致力于“对象尺寸最小化”的程序开发库而言,可能比较重要。
    

    Item40:明智而审慎地使用多重继承

    多重继承可能导致 派生类从基类中继承相名称的函数,那样会导歧义。
    多重继承的正当用途:public继承某个接口类,private继承某个协助实现的class相结合。
    
    展开全文
  • Snake模型综合介绍

    2019-07-26 23:07:08
    Snake模型称为动态轮廓模型(Active Contour Model)是Kass与1987年提出的,它对于在噪声和对比度敏感,能将目标从复杂背景中分割出来,并能有效的跟踪目标的形变和非刚体的复杂运动而被广泛用于图像分割和物体...

    Snake模型背景及应用

    Snake模型称为动态轮廓模型(Active Contour  Model)是Kass与1987年提出的,它对于在噪声和对比度不敏感,能将目标从复杂背景中分割出来,并能有效的跟踪目标的形变和非刚体的复杂运动而被广泛用于图像分割和物体跟踪等图像处理领域。

    Snake主要原理是先提供待分割图像的一个初始轮廓的位置,并对其定义个能量函数,是轮廓沿能量降低的方向靠近。当能量函数达到最小的时候,提供的初始轮廓收敛到图形中目标的真实轮廓。

    Snake能量函数是有内部能量函数和外部能量函数组成,内部能量控制轮廓的平滑性和连续性,外部能量由图像能量和约束能量组成,控制轮廓向着实际轮廓收敛,其中约束能量可根据具体的对象形态定义,使得snake具有很大的灵活性。

    Snake模型发展10多年来,许多学者对于经典的snake模型做了改进,提出各种改进的snake模型,其中梯度矢量流(Gradient Vector  Flow,GVF)模型扩大了经典snake的外力作用范围,加强了对目标凹轮廓边缘的吸引力,提高了传统的snake模型。

     

    Snake模型主要研究的方面:

    1.表示内部能量的曲线演化    2.外力    3.能量最小化

    Snake模型初始轮廓的选择

    由于snake模型对于初始位置比较敏感,因此要求初始轮廓尽可能的靠近真实轮廓,而当图像边缘模糊,目标比较复杂或与其他的物体靠的比较近时,其初始轮廓更不易确定。

    现有的初始轮廓确定的方法有以下几种:1.人工勾勒图像的边缘    2.序列图像差分边界    3.基于序列图像的前一帧图像边界的预测  4.基于传统图像分割结果进行边界选取

    分水岭算法

    分水岭算法是由S.Beucher  F.Meyer最早引入图像分割领域,它的基本思想是来源于测地学上的侧线重构,其内容是把图像看做是测地学上的拓扑地貌。进行分水岭模型计算的比较经典的算法是L  Vincent提出的,在该算法中首先是对每个像素的灰度级进行从低到高排序,然后用等级对垒模拟淹没,初始时,等级队列中为淹没的初始点,在从低到高实现淹没的过程中,对每一个局部极小值在H阶高度的影响域采用先进先出(FIFO)结构进行判断及标注,直到最后一个值被淹没,从而正确划分各个区域。

    整个洪水淹没的循环迭代过程可以通过以下两个步骤表示:

    分水岭算法的优点:

    1.分水岭算法对于图像中由于像素差别较小而产生微弱边缘具有良好的响应,可以得到封闭连续的边缘,而且可以保证在照明,阴影等影响下分割边缘的封闭性和连续性

    分水岭算法对于目标物体之间或者是目标物体同背景物体之间粘连的情况有较好的处理效果。能够较好的分割这类目标物体。

    3.图像内部的阴暗变化对于分水岭算法影响较小,可以在一定程度上减小由于阴暗便哈带来的图像分割影响

    与其他边缘分割算子比较:

    Canny算子可以很好的勾勒出物体的轮廓,过分的强调轮廓的特性,而没有强调物体的轮廓必须是封闭的,在图像中显示的轮廓是不封闭的,物体内部阴暗变化也被当做边界检测出来,形成大量的伪边缘。

    分水岭算法分割得到的轮廓曲线时连续封闭的,图像内部的阴暗变化没有生成独立的轮廓线。

    Snake模型的缺陷:

    对初始位置敏感,易陷入局部极值,无法收敛到轮廓深度凹陷部分,不具备自动拓扑变换功能等。

    Snake模型的改进算法:

    1.Cohen提出的气球(balloon)理论模型:应用压力和高斯能力一起增大吸引范围的方法,该压力可使模型扩大或缩小,因此不再要求将模型初始化在所期望的对象边界附近。在图像的梯度力场上叠加气球里,以使轮廓线作为一个整体进行膨胀或收缩,从而扩大了模型寻找图像特证的范围。

    优势:对初始边界不敏感            存在的缺点:存在弱边界,漏出边界间隙等问题。

    2.Xu提出梯度矢量流(GVF)概念,用GVF场代替经典外力场,GVF场可以看做是对图像梯度场得逼近,这不仅使模型捕捉的范围得到了提高,而且能使活动轮廓进入凹陷区。

    优势:有良好的收敛性,深入目标边缘的凹陷区域           存在的缺点:仍不能解决曲线的拓扑变化问题

    局部优化算法:

    1.Amini提出基于动态规划的snake算法。 2.变分法  3.贪婪算法  4.有限差分法   5.有限元法

    全局优化算法:

    1.模拟退火     2.遗传算法    3.神经网络

    Snake模型的蚁群算法(Ant Colony Optimization)模型

    蚁群算法是最近几年有意大利学者M.Dorigo等人首次提出的一种新型的模拟进化算法,称为蚁群系统,蚁群算法通过候选解组成的群体的进化过程来寻求最优解,该过程包括两个基本阶段:适应阶段和协同工作阶段,算法本身采用正反馈原理,加快了进化过程,不易陷入局部最优解,而且个体之间不断进行信息交流和传递,有利于对解空间的进一步探索,因此有很强的发展解的能力。

     

    Snake的进化模型

    1.McInerney 提出一种拓扑自适应snake模型(Topology Adaptive  Snake,T-Snake)

    该算法基于仿射细胞图像分解(Affine Cell Image  Decomposition,ACID)先在待分割图像上加以三角网格,然后在图像区域的适当位置做一条初始曲线,最后取曲线与网格的交点作为snake的初始离散点,其第i个snake的离散点的坐标为其中,相邻两点,之间由一条弹性样条连接而成

    由于T-Snake模型可借助三角形网格和网格点的特征函数来确定边界三角形,可促使snake模型演化过程中的分裂和合并,从而保证了其具有能够处理拓扑结果复杂图像的能力,因此能够很好的满足医学图像拓扑结果复杂的特点。此算法用于脑部MR切片有良好的性能。

    2.双T-Snake模型

    双T-Snake模型(Dual-T-Snakes)是在T-Snake模型的基础上产生的,其主要思想是采用内外两个初始轮廓,其中一个轮廓从目标外向内收缩和分裂,另一个轮廓从目标内部向外膨胀,两个初始轮廓可以离目标边界较远,迭代的过程中对能量较大的轮廓增加驱动力,使其靠近与之相对应的轮廓,直到连个轮廓收敛到同一个为止

    3.Loop  Snake 模型

    Loop  Snake模型是一种加强了拓扑控制的T-Snake模型,这种方法的关键集中在曲线的每一步进化中都要形成循环,其基本思想是,确保图像轮廓曲线精确地线性地映射到适当的分类中,然后在额外的记过loop-Tree的帮助下,尽可能少的时间内运用已经被snake探究的循环来决定是否进行区域划分,这种模型的实质是对T-Snake模型的一种改进。由于加强了拓扑控制,使得Loop Snake模型既可以忽略背景中强噪声又可以在演化过程中进行多次分裂。

    4.连续snake模型

    在Snake模型中,轮廓曲线由一条给定容许误差范围的光滑曲线组成,相对于离散snake来说,连续snake模型所需要的控制点少,比离散的更具优越性。

    5.B-Snake模型

    B-Snake模型是通过B样条曲线来定义的,其轮廓曲线由各曲线段光滑相连而成,每一个曲线段都是由一个给定次数多项式表示,这种多项式是B样条曲度函数的一种线性组合,并以控制点为系数。在有些B-Snake模型中并没有明确应用内部能量,这是因为B样条本身就含有内部能量,snake轮廓曲线只受外力影响着图像边缘移动。可用于对图像切片分割区域的描述与跟踪而用于器官的三维重建。

     

    应用snake的优势:由于生物或人体组织解剖结构的复杂性,以及软组织形状的易变性,那些仅依赖于图像本身的灰度,纹理属性等低层次视觉属性来进行分割的图像分割方法难以获得理想的分割效果,因此医学图像分割迫切需要有一种灵活的框架,能将基于图像本身低层次视觉属性(边缘,纹理,灰度,色彩)和人们对于待分割目标的知识经验,如目标形状的描述,亮度,色彩的经验统计,医生的经验等,可以一种有机的方式整合起来,得到待分割区域的完整表达。

     

    转载于:https://www.cnblogs.com/ChenxofHit/archive/2011/12/08/2281215.html

    展开全文
  • 学习笔记之思路整理

    千次阅读 2017-07-14 18:44:34
    1.图片处理:(流程被分配在16个线程中处理) 图片会被统一裁剪到24x24像素大小,裁剪中央区域用于评估... 随机变换图像的对比度;训练方法与损失的定义: 训练一个可进行N维分类的网络的常用方法是使用多项式逻辑

    1.图片处理:(流程被分配在16个线程中处理)
    图片会被统一裁剪到24x24像素大小,裁剪中央区域用于评估或随机裁剪用于训练;
    图片会进行近似的白化处理,使得模型对图片的动态范围变化不敏感。
    对图像进行随机的左右翻转;
    随机变换图像的亮度;
    随机变换图像的对比度;

    训练方法与损失的定义:
    训练一个可进行N维分类的网络的常用方法是使用多项式逻辑回归(softmax 回归),
    Softmax 回归在网络的输出层上附加了一个softmax nonlinearity,
    并且计算归一化的预测值和label的1-hot encoding的交叉熵。
    在正则化过程中,对所有学习变量应用权重衰减损失(使用了L2范式,强调模型的参数的稀疏性),
    求交叉熵损失和所有权重衰减项的和,loss()函数的返回值就是这个值

    2.数据读取:
    (1)读取:
    读取文件队列名,用read_cifar10()来获取一个样本的信息结构体(大小、数据、标签),
    使用tf.cast转换uint8成float32
    (2)切割:read_cifar10(),该函数从二进制数据中读取数据并规整,
    每条样本都是先标签后数据,CIFAR10是一个字节标签,
    CIFAR100是2字节,使用切片函数tf.slice()
    (3)处理原始图片:初步获取数据后就需要变形成tensor了, tf.random_crop(reshaped_image,[height,
    width,3]) 1D变换成3D,对图像进行了很多随机扭曲处理…通过tf.train.shuffle_batch中设定队列大小、缓冲区大小,
    直接就保证整理好一个数据集合的队列

    3.建立训练网络:
    (1)参数设置函数
    _variable_with_weight_decay(name,shape,stddev,wd)
    对应功能:输入名称、形状、偏差和均值 就定义一个参数tensor
    (2)生成数据
    先设置常量参数,再由tf.nn.l2_loss(var)增加L2范式稀疏化
    L2范式定义为:output = sum(t ** 2) / 2,然后乘以一个衰减系数wd做为一个训练指标:
    这个值应该尽量小,以保证稀疏性
    用tf.add_to_collection(‘losses’,weight_decay)把所有的系数作为以losses为标签进行收集
    用summary用于查看输出的稀疏性:tf.scalar_summary(tensor_name+’/sparsity’,
    tf.nn.zero_fraction(x)),统计0的比例反应稀疏性。tf.histogram_summary(tensor_name+’/activations’,
    x),输出数值的分布直接反应神经元的活跃性,如果全是很小的值说明不活跃。
    全连接层的展开维度192、384这些数字与GPU的架构有关,全连接层的wd是0.004,略微强调了一下稀疏性

    ps:多个GPU需要tf.get_variable()用于分享数据,而单个GPU只需要tf.Variable()

    4.损失函数:
    cross_entropy=tf.nn.sparse_softmax_cross_entropy_with_logits(logits,
    labels,name=’cross_entropy_per_example’)

    5.训练:
    (1)学习率更新:首先是根据当前的训练步数、衰减速度、之前的学习速率确定新的学习速率
    lr = tf.train.exponential_decay(INITIAL_LEARNING_RATE……… staircase=True)
    式子:decayed_learning_rate=learening_rate*decay_rata^(global_step/decay_steps)
    如果staircase=True则取整数
    (2)均值线(ExponentialMovingAverage)
    (3)计算梯度及更新梯度compute_gradients,opt.apply_gradients反向传播
    (4)summary和句柄

    6.测试模型
    (1)传入验证函数的参数:
    eval_once(saver, saver是用读取moving_average的
    summary_writer, summary_writer和summary_op是保存记录的
    top_k_op, top_k_op传入了模型和验证模型
    summary_op)
    (2) 读取检查点:
    ckpt=tf.train.get_checkpoint_state(FLAGS.checkpoint_dir)
    从检查点恢复图和参数:
    saver.restore(sess,ckpt.model_checkpoint_path)

    展开全文
  • 各种图像处理建立在有效性地提取图像特征之上,如图像分类、分割和图像质量评价等,因此获取有效的图像特征对于图像处理意义十分重大。不同于在图像灰度的突变...尤为重要的是,该指标对图像的亮度和对比度变化不敏感
  • opencv主动轮廓模型

    千次阅读 2018-11-13 22:52:22
    它对噪声和对比度敏感,能够将矿堆从具有复杂车辙等噪声的地面背景中提取出来。Snake的主要原理是在我们提供一个原始轮廓以后,对其定义能量函数,使轮廓沿着能量降低的方向靠近,当能量函数达到最小的时候,我们...

    前言

    主动轮廓线模型,又叫做Snake模型。它对噪声和对比度不敏感,能够将矿堆从具有复杂车辙等噪声的地面背景中提取出来。Snake的主要原理是在我们提供一个原始轮廓以后,对其定义能量函数,使轮廓沿着能量降低的方向靠近,当能量函数达到最小的时候,我们就认为原始轮廓已经收敛到矿堆的真实轮廓。Snake的能量函数分为内部能量函数和外部能量函数,其中内部能量控制轮廓的平滑和连续。外部能量控制着收敛。具体公式和介绍就不详细展开说了。

    环境

    opencv 2.4 + vs2017

    • 小坑: opencv3.x版本以后更改了协议,删掉了一些模块,恰好包要用到的cvSnakeImage();而官网下载的2.x版本仅仅兼容到vs2015以前,所以需要自己手动编译一下,得到与vs2017兼容的opencv版本。
    • 网上也看到有人自己将2.x版本的函数移植到3.0的代码。

    程序

    程序大概就是在得到大概位置的基础上,利用opencv中的cvSnakeImage函数进行轮廓收敛,进一步精确提取轮廓位置

    #include <iostream>
    #include <string.h>
    #include <cxcore.h>
    #include <cv.h>
    #include <highgui.h>
    #include <fstream>
    #include "legacy/legacy.hpp"
    
    IplImage *image = 0; //原始图像
    IplImage *image2 = 0; //原始图像copy
    
    using namespace std;
    int Thresholdness = 141;
    int ialpha = 20;
    int ibeta = 20;
    int igamma = 20;
    
    void onChange(int pos)
    {
    	//50:150,40:170
    	if (image2) cvReleaseImage(&image2);
    	if (image) cvReleaseImage(&image);
    
    	image2 = cvLoadImage("F:\\100MSDCF\\toyobjects.png", 1); //显示图片
    	image = cvLoadImage("F:\\100MSDCF\\toyobjects.png", 0);
    
    	int x1, x2,y1,y2;//初始轮廓具体坐标
    	x1 = 40;
    	x2 = 170;
    	y1 = 50;
    	y2 = 150;
    
    	int length = 48;
    	
    
    	CvPoint* point = new CvPoint[length]; //分配轮廓点
    
    	CvSeqReader reader;
    	CvPoint pt = cvPoint(40,50);
    	int i = 0;
    	int step = 10; //定义步长
    	for (int xx = x1; xx < x2; xx+= step) {
    		pt = cvPoint(xx,y1);
    		point[i] = pt;
    		printf("%d %d\n",xx,y1);
    		i++;
    	}
    	for(int yy = y1 ; yy <y2 ; yy+=  step){
    		pt = cvPoint(x2,yy);
    		point[i] = pt;
    		printf("%d %d\n", x2, yy);
    		i++;
    	}
    	for (int xx = x2; xx >= x1; xx-=  step) {
    		pt = cvPoint(xx,y2);
    		point[i] = pt;
    		printf("%d %d\n", xx, y2);
    		i++;
    	}
    	for (int  yy = y2; yy >= y1; yy-=  step){
    		pt = cvPoint(x1, yy);
    		point[i] = pt;
    		printf("%d %d\n", x1, yy);
    		i++;
    	}
    	printf("i :%d    length:%d ",i,length);//debug
    
    	//显示轮廓曲线
    	for (int i = 0; i<length; i++)
    	{
    		int j = (i + 1) % length;
    		cvLine(image2, point[i], point[j], CV_RGB(0, 0, 255), 1, 8, 0);
    	}
    	
    	float alpha = ialpha / 100.0f;
    	float beta = ibeta / 100.0f;
    	float gamma = igamma / 100.0f;
    
    	CvSize size;
    	size.width = 3;
    	size.height = 3;
    	CvTermCriteria criteria;
    	criteria.type = CV_TERMCRIT_ITER;
    	criteria.max_iter = 1000;
    	criteria.epsilon = 0.1;
    	cvSnakeImage(image, point, length, &alpha, &beta, &gamma, CV_VALUE, size, criteria, 0);
    
    	//显示曲线
    	for (int i = 0; i<length; i++)
    	{
    		int j = (i + 1) % length;
    		cvLine(image2, point[i], point[j], CV_RGB(0, 255, 0), 1, 8, 0);
    	}
    	delete[]point;
    	
    }
    
    int main(int argc, char* argv[])
    {
    	cvNamedWindow("win1", 0);
    	cvCreateTrackbar("alpha", "win1", &ialpha, 100, onChange);
    	cvCreateTrackbar("beta", "win1", &ibeta, 100, onChange);
    	cvCreateTrackbar("gamma", "win1", &igamma, 100, onChange);
    	cvResizeWindow("win1", 300, 500);
    	onChange(0);
    
    	for (;;)
    	{
    		if (cvWaitKey(40) == 27) break;
    		cvShowImage("win1", image2);
    	}
    
    	return 0;
    }
    

    实验效果

    在这里插入图片描述
    在这里插入图片描述

    • 测试图片为matlab里面主动轮廓模型的示例图片。
    展开全文
  • 初三-跟踪算法的特征选择

    千次阅读 2011-02-08 11:31:00
    图像特征最重要的属性是独特性,能够咋特征空间内方便区分目标。可用于跟踪的特征有颜色、边缘、光流和纹理,或者是其中...通过计算区域内的光照对比度变化得到。通常应用在基于运动的分割和跟踪上。 纹理-纹理是检测
  • 此外,研究还发 现采用示范效应和收入敏感度是在特定收入范围内而非收入最大值区域是最优的,初始采用元胞收入水平高低对 扩散进程没有显著的促进作用.这些结论对可再生能源技术推广和企业市场营销决策都有着积极的...
  • 2019数据运营思维导图

    2019-03-29 21:34:09
    从多个维度拆分数据 对比思路 大的营销事件作为节点单独标记,数据剔除出来单独进行分析 节点思路 如运营活动等 行为标记思路 将大动作的优化,大的项目上线及时标注在数据报表中 培养数据的敏感度 培养数据思维,...
  • 数据运营思维导图

    2018-04-26 14:24:22
    培养数据的敏感度 培养数据思维,从每天的各种数据报表开始 数据来源 数据埋点 初级 追踪每次用户的行为,统计关键流程的使用程度 中级 在产品中植入多段代码追踪用户连续行为,建立用户模型来具体化用户在...
  • 1.0.14 “良好对比度”是什么含义? 7 1.0.15 图像处理的目的是什么? 8 1.0.16 如何进行图像处理? 8 1.0.17 图像处理中使用非线性操作符吗? 9 1.0.18 什么是线性操作符? 9 1.0.19 如何来定义线性操作符? ...
  • Ajax安全技术.pdf

    2018-10-18 14:34:15
    6.3.4与用户相关的敏感数据147 6.3.5包含在客户端的注释及文档148 6.3.6在客户端进行的数据转换149 6.4通过隐藏来保证安全152 6.5本章小结154 第7章劫持AJAX应用程序155 7.1劫持AJAX框架155 7.1.1意外的方法冲突156 ...
  • 5.5 敏感性分析:指一些关键性因素,如:  ● 系统生存周期长短  ● 系统工作负荷量  ● 处理速度要求  ● 设备和软件配置变化对支出和效益的影响等的分析 6 社会因素可行性分析 6.1 法律因素:如  ● ...
  • 软件采用精确自定义伪彩方法,可以准确的定义每一个灰度值对应的红绿蓝分量,不象普通超声的伪彩定义法无法精确操作。 7、最大值与最小值的算法选择 软件可以对三维重建好的影像进行算法的改变。 8、三维图像的采集...
  • 这种阅读做题顺序的优势在于在读文章的过程中带着问题去读,因此对文章相关部分会更加敏感,做题的精确也更高。但是这种方法因人而异,对一些考生来说可能要花费比较多的时间,因为他们先要读题目,之后读文章,再...
  • JavaScript王者归来

    2013-01-10 11:30:48
    6.1.1.1 声明式函数定义与函数表达式及其例子 6.1.1.2 JavaScript函数的奥妙——魔法代码 6.1.2 函数的调用 6.2 函数的参数 6.2.1 形参与实参 6.2.2 Arguments对象 6.2.2.1 一个使用Arguments对象检测形参的例子 6.2...
  • 实例008 验证XML是否符合DTD的定义 实例009 在DTD中声明元素 实例010 在DTD中声明重复元素 实例011 在DTD中声明选择性元素 实例012 在DTD中使用ENTITY 1.2 应用XML Schema 实例013 验证XML是否符合Schema的描述 实例...
  • Java开发实战1200例.第2卷.part3

    热门讨论 2013-05-08 22:46:34
    第1篇 流行组件应用篇 第1章 操作XML文件 2 1.1 XML基础操作 3 ...实例292 利用柱形图对比不同城市的房价 469 实例293 利用饼图显示投票结果 470 实例294 利用折线图分析某城市蔬菜价格走势 472 实例295 利用...
  • Java开发实战1200例.第2卷.part2

    热门讨论 2013-05-08 22:45:35
    第1篇 流行组件应用篇 第1章 操作XML文件 2 1.1 XML基础操作 3 ...实例292 利用柱形图对比不同城市的房价 469 实例293 利用饼图显示投票结果 470 实例294 利用折线图分析某城市蔬菜价格走势 472 实例295 利用...
  • Java开发实战1200例.第2卷.part1

    热门讨论 2013-05-08 22:44:13
    第1篇 流行组件应用篇 第1章 操作XML文件 2 1.1 XML基础操作 3 ...实例292 利用柱形图对比不同城市的房价 469 实例293 利用饼图显示投票结果 470 实例294 利用折线图分析某城市蔬菜价格走势 472 实例295 利用...

空空如也

空空如也

1 2
收藏数 22
精华内容 8
关键字:

对比敏感度定义