针对含有文本、图像、表格和公式等复杂扫描电子文档的倾斜校正问题,提出了一种基于Shearlet(剪切波)变换与多尺度分析的复杂文档图像倾斜检测方法,利用剪切波变换的局部性和方向性,可以得到各个方向的能量值,能量最高的两个分量分别对应于横画与竖画的方向,根据这两个方向可以较准确地检测出扫描文档图像中文字行的方向并进一步确定扫描文档图像的倾斜角度。实验结果表明,该方法可以避免扫描文档中图像、表格等的干扰,具有较好的抗噪声能力,对于具有复杂内容的文档图像有较高的检测准确率。

《数字图像处理与机器视觉--Visual C++与MATLAB实现》第2版DVD内容 内容推荐 　　《数字图像处理与机器视觉——Visual C++与Matlab实现(第2版)》将理论知识、科学研究和工程实践有机结合起来，内容涉及数字图像处理和识别技术的方方面面，包括图像的点运算、几何变换、空域和频域滤波、小波变换、图像复原、彩色图像处理、形态学处理、图像分割、图像压缩以及图像特征提取等；同时对机器视觉进行了前导性的探究，重点介绍了3种目前在工程技术领域非常流行的分类技术——人工神经网络(ANN)、支持向量机(SVM)和AdaBoost，并在配套给出的识别案例中直击光学字符识别(OCR)、人脸识别和性别分类等热点问题。 　　《数字图像处理与机器视觉——Visual C++与Matlab实现(第2版)》结构紧凑，内容深入浅出，讲解图文并茂，适合于计算机、通信和自动化等相关专业的本科生、研究生，以及工作在图像处理和识别领域一线的广大工程技术人员阅读参考。 共2个文件。z01和zip

基于matlabBP神经网络交通限速标志识别系统GUI界面设计，数字图像处理知识，可以直接运行。 基于matlabBP神经网络交通限速标志识别系统GUI界面设计，数字图像处理知识，可以直接运行。 基于matlabBP神经网络交通限速标志识别系统GUI界面设计，数字图像处理知识，可以直接运行。

matlab灰色处理代码JPEG压缩实现 这是我在阿尔伯塔大学MM806-（图像和视频处理）课程的第四次编程作业。 这项任务的目的是理解和欣赏JPEG压缩机制。 作业问题（由Nilanjan Ray教授设定）如下： 您的编码器是实际基准系统的简化版本。 首先，它假定为灰度输入图像。 让用户选择一个图像。 因此，没有颜色转换。 然后根据输入图像创建8x8块。 如果图像的高度和宽度不是8的倍数，请对图像进行零填充。 然后，对于每个8x8块，应用DCT。 接下来将量化应用于DCT系数。 为了进行量化，请使用此表。 接下来，以Z字形顺序对量化的DCT系数重新排序。 对DC系数应用差分编码，对AC系数应用游程长度编码。 将这些差分编码的DC和游程编码的AC系数以及图像高度和图像宽度写入文本文件。 这样就完成了您的编码器。 注意，实际上，您将霍夫曼编码进一步应用到差分编码DC和游程编码AC系数。 为了简单起见，我们在这里跳过霍夫曼编码。 解码器读取文本文件，并反转编码器的每个步骤，最后显示图像。 使用Matlab内置的“ cameraman.tif”，“ pout.tif”等对您的程序进行测试。您

(1)研究心电信号的产生原理及心电信号的采集过程方法,了解心电信号波形的特征及处理任务; (2)研究心电信号的预处理任务。嗓声抑刺和基线漂移纠正,分析数字低通滤波、自适应滤波等信号处理方法在心电预处理的应用,选取其中一种方法,采用Python编程实现该信号处理方法。 注释1:基线漂移一般由于信号采集时呼吸及人体移动造成的，表现为低频率的缓慢变化噪声，其频率一般小于0.5Hz。目前基线滤波技术层出不穷，从经典的IIR和FIR，到中值滤波、自适应滤波、形态学滤波、小波变换等。虽然各种论文所用的技术都取得了不错的效果，但在实际的使用中，还是较多的倾向于经典的滤波算法：FIR和IIR，即具有滤除低频信号的高通滤波器。 3)研究心电信号特征波形检测任务:QRS波、T波、ST段位移等,选取若干检测任务并设计相应的检测算法，并采用Python设计实现该算法;

若是你有几百万数据的一个文本，想把数据分割成每个1000条，若是人工手动分割的话。那可是累的够呛，有了这个批处理小程序，几分钟就可以搞定了，，

传统的字符分割方法一般针对单行车牌，本文提出一种针对单行和双行两种结构的车牌字符分割方法。首先进行图像预处理，减少噪声及环境干扰。将车牌图像分为两部分，对前两个字符的部分先垂直投影，再结合先验知识判断进而准确分割；对后五个字符的部分用垂直投影法确定动态阈值并结合连通域分析进行字符分割。实验结果表明，该方法同时适用于单双行结构车牌，对字符粘连断裂的情况也能很好的分割。

基于大数据，模拟web数据的产生，flume采集，将采集到的原始数据发送到kafka中，再通过spark Streaming传入hbase数据库中

作者：Jim Gray（格雷） Andreas Reuter 注：本文档不是pdf，是pdz文件，需要下载 超星阅读器（简单易用），相对于pdf，pdz文件更清晰。为了方便大家阅读，如果有什么问题可以和我联系

本课件是对论文 BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding 的导读与NLP领域经典预训练模型 Bert 的详解，通过介绍NLP领域对通用语言模型的需求，引入 Bert 模型，并对其架构进行宏观微观的解读，然后详细介绍 Bert 每预训练阶段采用的两个任务，以及常见的微调下游任务场景。最后通过可视化的方式，给出 Bert 在向量表征上的优势所在。