拉普拉斯 Laplace是一个开源项目，可直接通过浏览器实现屏幕共享。 使用WebRTC实现低延迟的对等连接，并在golang中实现WebSocket来实现WebRTC信令。 演示视频： : 尝试演示 对于演示，您可以访问 动机 已经有可能共享您的计算机屏幕的解决方案，例如TeamViewer。 但是其中大多数都需要安装软件或插件。 Laplace提供的解决方案很简单。 对于希望共享屏幕的用户，他们要做的就是用浏览器打开网站页面，单击某些按钮，然后与对等共享共享会话ID。 无需安装或注册。 解决延迟问题 该项目还可以用作概念证明（PoC），以直接在基于WebRTC的浏览器中实现屏幕共享功能。 使用WebRTC，可以通过对等连接实现实时通信。 事实证明，这对于解决最大的问题之一是屏幕流传输非常有用： Latency 。 延迟表示从源到传输到远程客户端的延迟有多长时间。 如果您注意到，此延

图像处理，金字塔分解，示例代码 %% Load image img=imread('cameraman.tif'); img = double(img) + normrnd(0,5,[256 256]); %% Gaussian filter w=1/256*[1 4 6 4 1; 4 16 24 16 4; 6 24 36 24 6; 4 16 24 16 4; 1 4 6 4 1]; %% Laplacian pyramid %decomposition level n = 6; % filtering, subsampling g{1}=img; s = [size(g{1},1),size(g{1},2)]; for i=2:n+1 g{i}=imfilter(g{i-1},w,'replicate'); g{i}=g{i}(1:2:size(g{i},1)-1,1:2:size(g{i},2)-1); s = [s;[size(g{i},1),size(g{i},2)]]; end %residual image for i=1:n l{i}=g{i}-expand(g{i+1},w,s(i,:)); end %reconstruction for i=n:-1:1 g{i}=l{i}+expand(g{i+1},w,s(i,:)); end imshow(g{1},[]) imshow(img,[])

主要介绍了python通过robert、sobel、Laplace算子实现图像边缘提取详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下

优化半监督学习 该matlab代码提供了已开发和分发的原始版本的计算优化版本。 提供了一个matlab代码来近似拉普拉斯特征向量。 他计算了Laplace Beltrami算子的本征函数，然后对其进行插值以计算laplacian本征向量。 该matlab代码提供了用于计算近似拉普拉斯特征向量的优化过程。 下图显示了使用三种不同过程计算拉普拉斯平滑度的时间分析。 使用精确的拉普拉斯特征向量（EigVector） 使用Laplace Beltrami算子本征函数（Eigfunctions-Fergus） 对Laplace Beltrami算子本征函数使用优化方法（Eigfunctions-Taha） ＃＃动机 我们将交互式图像分割问题转换为半监督学习问题。 我们使用了 matlab代码来测试我们想法的有效性。 尽管结果令人鼓舞，但为小图像计算拉普拉斯平滑度所需的时间太大。 因此，我们优

摘要：本文主要介绍了几种主流的图像边缘检测算法，包括Canny算子、Sobel算子、Laplace算子、Roberts算子、Krisch算子、Prewitt算子、Susan角点检测算法等。另外也介绍了相应衍生的概念如图像噪声、图像滤波等。 文中所有代码均在本人电脑上正常运行！ 测试环境：VS2013+opevCV2.49 [TOC] 一、图像噪声 1.图像噪声分类 1.1 图像噪声分类 噪声的分类和该噪声的分布符合什么模型有关，常见的噪声有高斯白噪声、椒盐噪声、泊松分布噪声、指数分布噪声等。 1.2 图像滤波器 图像滤波器有空域滤波器，比如均值滤波器、中值滤波器、低通滤波器、高斯滤波等；频域滤波器，比如小波变换、傅里叶变换、余弦变换等；形态学滤波器，主要是通过膨胀和腐蚀等形态学操作进行去噪。 一般平时见的比较多是是高斯白噪声，像用均值滤波、中值滤波、高斯滤波可以去噪。除此以外，像椒盐噪声，

拉普拉斯方程数学代码MATLAB上的科学问题 包含用于矩阵的纯数学问题，Laplace变换，傅立叶级数，求解微分和差分方程的方法不同等的matlab代码。

给出了Laplace方程的九点差分格式的推导以及数值算例进行验证

使用拉普拉斯变换求解常微分方程

实现思路： 　　1，将传进来的图片矩阵用算子进行卷积求和（卷积和取绝对值） 　　2，用新的矩阵（与原图一样大小）去接收每次的卷积和的值 　　3，卷积图片所有的像素点后，把新的矩阵数据类型转化为uint8 注意： 　　必须对求得的卷积和的值求绝对值；矩阵数据类型进行转化。 完整代码： import cv2 import numpy as np # robert 算子[[-1,-1],[1,1]] def robert_suanzi(img): r, c = img.shape r_sunnzi = [[-1,-1],[1,1]] for x in range(r): for

Laplace(拉普拉斯)算子 Laplace算子 0 -1 0 -1 4 -1 0 -1 0 -1 -1 -1 -1 8 -1 -1 -1 -1 -1 0 -1 0 4 0 -1 0 -1