为了提高红外与可见光图像融合的性能，提供更好的视觉效果，本文提出了一种将离散平稳小波变换（DSWT）、离散余弦变换（DCT）和局部变换相结合的红外与可见光图像混合融合方法。空间频率 (LSF)。 所提出的方法具有三个关键处理步骤。 首先，采用DSWT将源图像的重要特征分解为一系列具有不同层次和空间频率的子图像。 其次，DCT用于根据不同频率的能量分离子图像的重要细节。 第三，LSF用于增强DCT系数的区域特征，对图像特征提取有帮助和有用。 一些常用的图像融合方法和评估指标被用来评估该方法的有效性。 实验表明，所提出的方法可以达到良好的融合效果，并且比其他传统的图像融合方法更有效。

鉴于Sobel算子检测边缘较粗、定位不准确，以及LoG算子具有各向同性的特点且对边缘方向性信息检测不敏感，提出了Sobel算子与LoG算子相结合的边缘检测与细化方法。首先用水平、垂直、两个斜对角4个方向模板改进原Sobel算子两个方向模板，并用改进的Sobel算子对原图像进行边缘检测，得到粗边缘图像；然后使用LoG算子检测粗边缘图像的边缘；最后将两次边缘检测结果相减，达到边缘细化的目的。实验结果表明，该方法有效地解决了原Sobel算子检测边缘较粗的问题，得到的边缘较细；克服了LoG算子对方向性边缘信息不敏感的缺陷；且运算速度与传统LoG方法基本相当。

An动画基础之按钮动画与基础代码相结合

Unity 结合部分插件功能实现读取PPT

xml文档形式更方便我们开发，以下是简单示例： -1 system error 系统繁忙，此时请开发者稍候再试 0 ok 请求成功

ICT测试原理，方法，相当详细，非常适合深入学习ICT，将单个元器件的测试与功能完美的结合在一起

从SRE的角度来分析eBPF，能给其工作带来一系列的Tracing以及可观测方面的性能提升

torchtext的使用总结，并结合Pytorch实现LSTM 版本说明 PyTorch版本：0.4.1 火炬文字：0.2.3 python：3.6 文件说明 Test-Dataset.ipynb Test-Dataset.py使用torchtext进行文本预处理的笔记本和py版。 Test-Dataset2.ipynb使用Keras和PyTorch进行数据集进行文本预处理。 Language-Model.ipynb使用gensim加载预训练的词向量，并使用PyTorch实现语言模型。 使用说明 分别提供了笔记本版本和标准py文件版本。 从零开始逐步实现了torchtext文本预处理，

labview与office报表工具包，超级好。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码