利用贝赛尔曲线函数在arcgis图层中绘制平滑曲线,通过地图上的几个控制点,在客户端绘制平滑曲线,可用于客户端绘制等值线
2021-10-28 13:24:22 4KB arcgis 贝赛尔曲线 等值线
1
包含 savitzkyGolay.m 和 savitzkyGolayFilt.m: 功能: Savitzky-Golay 平滑和微分滤波器Savitzky-Golay 平滑/微分滤波器(即多项式平滑/微分滤波器,或最小二乘法平滑/微分过滤器)最适合一组数据指向不同次数的多项式。 有关详细信息,请参阅 Matlab 文档(帮助 sgolay)。 斯戈莱Matlab中的函数只能处理对称均匀偶数的间隔数据。 这里介绍的这个函数是sgolay的通用实现Matlab 中的函数。 Savitzky-Golay 滤波器系数为偶数数,非对称和非均匀间隔的数据可以是获得。 以及初始点的滤波器系数或也可以得到终点。 此外,无论是数字可以获得结果或象征性的结果。 最后,这函数比 MATLAB 的 sgolay 更快。 用法: [fc,df] = savitzkyGolay(x,n,dn,x0,flag) 输入
2021-10-27 20:26:26 5KB matlab
1
用Python编程实现功率谱估计的平滑改进。首先生成一个随机信号,然后利用周期图法对该有限长度随机信号的功率谱进行计算,为了使得功率谱更为光滑,最后利用Welch法对信号的功率谱进行了平滑改进。
2021-10-27 19:07:37 3KB python 数字信号处理 功率谱 周期图
1
设计的圆形平滑滤波器,避免矩形滤波器造成的边缘效应。 测试,OK。
2021-10-27 15:29:30 2.3MB 图像处理 圆形平滑滤波
1
OBS(macOS)虚拟摄像机(已存档) :movie_camera: 注意:从OBS Studio 26.1开始,此插件现已成为官方OBS软件包的一部分 :party_popper: 。 现在将在。 与内置发行版一起运行此插件无效。 如果可以,请更新到OBS 26.1! 注意:在更新到OBS Studio 26.1之前,请确保按照删除此插件。 尽管它适用于大多数情况,但一些用户报告了在安装了插件的情况下更新到OBS Studio 26.1时遇到的问题。 在安装OBS Studio 26.1并启动虚拟相机之后,您可能还需要重新启动所有主机软件(例如Chrome,Zoom等),然后新插件才能工作。 从的输出创建虚拟网络摄像头设备。 特别适用于将平滑的合成视频流式传输到Zoom,Hangouts,Jitsi等。类似于但适用于macOS。 这段代码是从,而本身是从。 已达到合并到核心OBS代码库中的目标 :crossed_fingers: 。 捐献 :money_with_wings: 考虑通过 ,
2021-10-26 20:02:54 102KB Objective-C++
1
本程序实现二次B样条平滑,三次B样条平滑;二次B样条平滑后节点间均匀插值
2021-10-26 17:42:44 579KB B样条曲线
1
有序子集期望最大化(OSEM)迭代算法是近年来发展较快的一种迭代类算法。但该算法在迭代过程中容易产生条纹状伪影、金属伪影或者散射伪影。构造了平滑约束矩阵作为先验信息引入到重建迭代过程, 建立了一种平滑约束OSEM(SC-OSEM)迭代重建算法。分别将中值滤波、全变差最小(TVM)方法作为平滑约束条件, 通过数值模拟, 针对不完备理想投影数据、含金属不完备投影数据、含噪声不完备投影数据三种情况, 重建出了与原始模型一致性较好的计算机层析成像技术(CT)图像, 比单独OSEM迭代算法重建质量高, 并且发现中值滤波约束重建图像的整体噪声较小, TVM算法使金属边界更清晰, 表明SC-OSEM迭代重建算法是一种精度高、适应性较强的CT重建算法。
1
通过贝塞尔曲线,过若干点绘制平滑曲线
2021-10-22 20:06:23 28.42MB Android 贝塞尔曲线 平滑曲线
1
最终效果如下:(注意需要做锚点联动的部分并不在页面的顶部而是页面的某个div内)-chrome 完成这个功能需要注意: 1、点击导航平滑滚动到导航内容处 2、div内滚动时当前导航需要做响应 代码如下: 1、html结构(因为从项目里截取代码数据内容就不贴出来了,不算难点,这个可以根据自己的项目进行调整,相应的方法和类名别弄错就行) 全部应用 <span v-for=(item, index) in allMenuList :key=item.id :class=[index===acti
2021-10-21 14:13:44 99KB scrolltop vue 平滑
1
用于多标签视频分类的CRF 概述 该存储库包含用于多标签视频分类的CRF结构的PyTorch实现。 它使用I3D预训练模型作为基础分类器(Joao Carreira和Andrew Zisserman在论文“ ”中报告了I3D)。 该代码基于Deepmind的和AJ Piergiovanni的I3D管道的。 要求 该代码是使用Python 3.6和 0.4.0开发的。 它需要和 。 端到端培训I3D +半/全CRF 该管道使用Deepmind的预训练的I3D模型(在ImageNet和Kinetics上进行预,有关详细信息,请参见 )。 这些是在目录models /中找到的表示为rgb_imagenet.pt和flow_imagenet.pt的模型。 基本模型(I3D) 可以使用以下命令来训练基本模型: python train_i3d.py -dataset 'charades' -
2021-10-20 11:38:59 181.31MB JupyterNotebook
1