BPG 图像编码器和解码器 BPG 是一个由开发的库。 项目官网为 快速介绍 编辑 Makefile 以更改编译选项(Linux 的默认编译选项应该没问题)。 输入“make”进行编译,输入“make install”安装编译好的二进制文件。 x265 使用:为了大大提高压缩速度(但质量较低),您可以编译和安装 x265,然后在 Makefile 中启用它。 当压缩级别(bpgenc 的“-m”选项)<9 时使用 x265。不幸的是,x265 尚不支持单色格式或无损模式,因此在这些情况下仍然需要 JCTVC 代码。 对于默认的 x265 编译,仅支持 8 位深度(因此您必须使用“-b 8”强制位深度为 8)。 Emscripten 用法:为了生成 Javascript 解码器,您必须安装 Emscripten 并在 Makefile 中启用它。 html/index.html 中提
2022-11-26 22:03:59 18.7MB C++
1
matlab检索相似图像 - 使用自定义特征包的图像检索-MathWorks
2022-11-26 19:28:40 1.44MB matlab 图像检索 图像识别 图像处理
1
一个比较好用的Bitmap Image Reader Writer Library 。该库只有一个hpp文件,跟CImg有几分相似(但功能没有CImg丰富,可满足日常开发的基本需求足够)。该库不仅可以很方面的进行bmp文件的读写操作,而且还可以进行放大、缩小、上采样、下采用,按坐标索引读取和修改像素值等
2022-11-26 17:14:37 664KB Bitmap 图像开源库
1
qpsk误码率matlab代码影像传输使用64-QAM 使用64 QAM通过有线和无线通道传输图像 影片连结- 介绍 调制是发送消息信号的过程。 在通信系统中用于图像传输的有各种数字调制技术,例如QPSK,16-QAM,64-QAM。 在一定的噪声水平下,系统的性能是可以接受的。 如果噪声水平增加,则性能可能会受到干扰。 通过使用承载更高数据速率的64 QAM调制技术,这对于图像传输至关重要。 诸如64 QAM之类的调制技术的性能要优于QPSK和16 QAM技术。 64-QAM是一种高阶调制技术,它通过将信号的幅度和相位控制为64种不同的离散和可测量状态之一来允许一个信号代表六位数据。 一般工作流程 Matlab实施 在Matlab文件夹中运行“ compare.m”文件。 它将针对不同的SNR值重新生成不同的图像。 以下是不同SNR值的误差图。 C ++实现 运行main.cpp文件。 它将调制->生成噪声->添加噪声->解调。 该项目在zedboard上得到了进一步实施。 状态-已完成 C ++代码和MATLAB代码均可用并且可以正常工作。 最终的C ++代码在zedboard上实
2022-11-25 22:16:32 120KB 系统开源
1
modelzoo Popular Image Segmentation Models segnet 资料 资料
2022-11-25 12:27:01 609.65MB ai segment
1
打包一键 运行cpu 可以使用 打包一键 运行cpu 可以使用打包一键 运行cpu 可以使用
2022-11-22 15:29:37 229B texttoimage AI绘画
Image Pro Plus 6.0,非常好用的数据处理软件,可自动统计颗粒的面积分数,含量等。
2022-11-21 18:20:09 443.99MB ImageProPlus6 IPP
1
图像融合的质量评价指标,每个文件都有详细说明,每个指标都有相应的论文出处。亲测,可以使用。
2022-11-19 22:40:43 10.01MB 图形图像处理 matlab
这是论文“PCA based Edge-preserving Features for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(12), 7140-7151.”的代码,更多细节可以在论文中找到。 如果你使用这个演示,请引用这篇论文。 要运行此演示,您应该先下载 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得
2022-11-19 19:43:23 5.73MB matlab
1
信息网 通过提出的MIRNet架构的Tensorflow实现,。 Lanuch笔记本: Wandb日志: ://wandb.ai/19soumik-rakshit96/mirnet MIRNet的TFLite变体: : 。 Tensorflow Hub上的TFLite模型: ://tfhub.dev/sayakpaul/lite-model/mirnet-fixed/dr/1 。 MIRNet的Tensorflow JS变体: : 。 预先训练的体重 在128x128补丁程序上进行了训练: ://drive.google.com/file/d/1sUlRD5MTRKKGxtqyYDpTv7T3jOW6aVAL/view usp = sharing 已针对256x256补丁进行了培训: https ://drive.google.com/file/d/1sUlRD5MTR
1