岩石物理力学性质试验规程 第16部分：岩石体积电阻率和表面电阻率试验.zip

例子数据=randint（100,3）； 输出=KhachiyanAlgorithmMain（数据）； plot3(data(:,1),data(:,2),data(:,3),'b.') 保持 hsurface=surf(output.x,output.y,output.z,'FaceColor','b','EdgeColor','none','FaceAlpha',0.1); 半径=输出。半径； 中心=输出。中心； % 绘制主轴plot3(output.minor(:,1),output.minor(:,2),output.minor(:,3),'k','linewidth',0.2) plot3(output.major(:,1), output.major(:,2),output.major(:,3),'k','linewidth',5) plot3(output.medium

该程序实现了 Khachiyan 的论文“计算实数模型中的多面体的舍入”中的迭代算法，以近似包围任意维度的非退化点集的最小体积椭球。 它基本上与 Nima Moshtagh 的 MinVolEllipse 相似，不同之处在于结果椭圆实际上包围了输入点，并且由于使用了更有效的更新方程，因此速度要快得多。

全厂氢气优化回收利用大体积混凝土施工方案培训资料.docx

为精准计算大型煤堆、矿石等物料堆体体积,文中提出了一种简便且易于计算机编程处理的不规则三棱柱"割补"模型的不规则堆体体积计算方法。首先,根据物料堆体表面激光点云数据生成不规则三角网;其次,将表面三角网投影到堆体地面三角网,将堆体划分成一系列连续不规则的三棱柱;最后,调用"割补"模型计算堆体体积。经生产实践验证:采用该算法计算大型物料堆体体积,计算结果精度高,取得了显著地应用效果。

一般应用是选择高斯-勒让德二次积分法。 在这个子功能中，直接应用三角形面积和四面体体积的同质积分技术。 这个四面体子函数结果是整理高斯#5#点积分三角子函数结果是整理#7#点高斯积​​分方法。

长方体和正方体表面积和体积的比较练习课.ppt

Skeleton3D：3D 二元体积的平行中轴细化此代码计算任意 3d 二进制体积的 3D 中轴骨架。 它是 [1] 中描述的同伦细化算法的优化 MATLAB 实现。 我们开发它是为了量化骨骼中的细胞过程网络 [2]，但它应该适用于任何管状或丝状结构的图像。 包含一个示例卷 (testvol.mat) 以及示例脚本 (Test_Skeleton3D.m)。 非常欢迎任何意见、更正或建议。 用法： 骨架 = Skeleton3D(bin) 其中“bin”是一个 3D 二值图像，“skel”只包含骨架体素的结果图像，或skel = Skeleton3D(bin,mask) 从骨架化中屏蔽'mask'中的所有前景体素，例如保留图像体积中的某些结构。 对于额外的清理，例如修剪短分支，请使用我在 MATLAB File Exchange 上的 Skel2Graph3D 包。 此代码的灵感来自

matlab清理代码framework3D-matlab：3D二进制体积的平行中间轴细化 此代码计算任意3d二进制体积的3D中轴骨架。 它是[1]中描述的同位稀疏算法的优化MATLAB实现。 我们开发了它来量化骨骼中细胞过程的网络[2]，但它应该在任何管状或丝状结构的图像上起作用。 包含示例卷（testvol.mat）和示例脚本（Test_Skeleton3D.m）。 任何意见，更正或建议都非常欢迎。 用法： skel = Skeleton3D(bin) 其中“ bin”是3D二进制图像，而“ skel”仅包含骨架体素的结果图像，或者 skel = Skeleton3D(bin,mask) 从骨架中掩盖“蒙版”中的所有前景体素，例如保留图像体积中的某些结构。 要进行其他清理，例如修剪短分支，请在MATLAB File Exchange上使用我的Skel2Graph3D包。 该代码受Hanno Homann [3]的ITK实现和Ignacio Arganda-Carreras [4]的Fiji / ImageJ插件的启发。 如果您在自己的作品中包含此内容，请引用我们的publicaton

pytorch-3dunet PyTorch实施3D U-Net及其变体： 基于3D U-Net的标准3D U-Net ÖzgünÇiçek等人。 基于残差3D U-Net。 该代码允许对U-Net进行以下方面的训练：语义分割（二进制和多类）和回归问题（例如降噪，学习解卷积）。 二维U网 也可以训练标准2D U-Net，有关示例配置，请参见 。 只需确保将单例z维保留在H5数据集中（即(1, Y, X)而不是(Y, X) ），因为数据加载/数据扩充始终需要3级张量。 先决条件 Linux NVIDIA GPU CUDA CuDNN 在Windows上运行 该软件包尚未在Windows上进行过测试，但是有报告称该软件包已在Windows上使用。 要记住的一件事：在使用CrossEntropyLoss进行训练时：配置文件中的标签类型应该从long更改为int64 ，否则会出现错误：