超分辨的源代码，期中包含子函数等，很有用。。。有注释哦

matlab人脸检测嘴巴定位代码使用基于本地的信息检测面部地标 此处介绍的方法基于本地信息。 首先，使用传统的 Viola-Jones 对象检测框架进行人脸检测。 Viola-Jones 框架由类 Haar 特征提取方法和 Adaboost 分类器组成。 在人脸检测之后，使用相同的 Viola-Jones 框架来检测人脸区域。 从眼睛区域位置估计眉毛区域。 主动形状模型 (ASM) 用于使用主成分分析 (PCA) 对面部形状的变化进行建模，以确保初始形状模型处于完美位置。 用法： Matlab . exe - r Main 调试： 该代码已使用 JAFFE 数据库进行了测试，可在 . 如果眼睛界标失真，您可能需要更改此值 Line 24 - FaceBinary = imbinarize ( Face , 0.25 ); 如果嘴巴地标失真，您可能需要更改这些值 Line 42 - FaceBinary = imbinarize ( Face , 0.50 ); Line 44 - ImageMorph = bwareaopen ( ImageOutline , 150 ); 如果眉毛地

暗通道matlab代码基于图的盲图像去模糊 该代码是我们的TIP论文“从单张照片中基于图的盲图像去模糊”的升级实现。 先决条件 Matlab（> = R2015a） 运行测试 Step 1. run graph_blind_main.m Step 2. select a blurred image 参数 用户只需要调整一个参数。 在第21行，估计的内核大小k_estimate_size 。 该k_estimate_size必须比真正的内核大小（默认值为69）放大。 为了获得最佳性能，请将该值设置为接近实际内核大小，并稍大一些。 如果要关闭中间输出，可以在第22行设置show_intermediate = false 。 关于噪音 为了使噪声更强健，我们在本文之外增加了一些降噪模块。 我们嵌入了一个去噪电视，以对输入图像进行预处理。 我们为中间输出内核添加了一个小波域过滤。 我们添加了一个蒙版来过滤梯度域中的小/噪声梯度。 诸如BM3D之类的更复杂的去噪功能可以由用户预先完成。 关于非盲图像去模糊 在使用提出的算法进行内核估计之后，我们使用最新技术来进行非盲图像去模糊。 在这里，我们为用

Minimal Perfect Hashing-Based Information-理解-自学-翻译-引文

基于CNN预测的可逆数据隐藏 作者： 胡润文和项世军 暨南大学信息科学与技术学院/网络安全学院，广州 描述： 该版本只能通过使用建议的基于CNN的具有扩展嵌入和直方图偏移的预测器（CNNP）来计算图像的PSNR。 工作环境是Windows 10，Python 3.7，PyTorch 1.6.0和MATLAB 2019a。 这项工作基于以下论文： R. Hu和S. Xiang，“基于CNN预测的可逆数据隐藏”，在IEEE信号处理快报中，第1卷。 28，pp.464-468，2021，doi：10.1109 / LSP.2021.3059202。 资料夹说明： “ standard_test_images”：此文件夹包含本文中使用的四个标准图像。 其他图像来自ImageNet。 “模型”：此文件夹包含建议的基于CNN的预测变量。 “ model_parameter”：此文件夹包含建议的

We experimentally demonstrate a direct-detection orthogonal-frequency-division-multiplexing quadrature-phase-shift-keying (OFDM-QPSK) system that is capable of delivering a 32 Gbaud OFDM-QPSK signal over 7 km single-mode fiber-28 (SMF-28). Intra-symbol frequency-domain averaging (ISFA) channel response estimation is applied to suppress in-band noise, while discrete Fourier transform-spread (DFT-spread) is used to reduce the peak-to-average power ratio (PAPR) of the transmitted OFDM signal. With

matlab影像镶嵌代码

A Basic Introduction to the gm ID-Based Design Methodology

基于 Agent 的模型仿真的python实现，基于网上资料，修改后自己调试运行成功，并在关键部分增加了注释，运行前需要自己加载安装需要的库，程序基于python2.7,不要在中文路径下运行

有关更多信息，请参阅以下链接： http://yarpiz.com/239/ypea113-biogeography-based-optimization