Sequoia选股系统 简介 本程序使用传统的，并非需要捐赠的，获取数据无限制; 另，由于TuShare的增量更新接口有bug（最近一个交易日的数据获取不到），所以每次计算前都是删除所有数据，全部重新获取。 本程序实现了若干种选股策略，大家可以自行选择其中的一到多种策略组合使用，参见 各策略中的end_date参数主要用于回测。 安装依赖: 根据不同的平台安装TA-Lib程序 Mac OS X $ brew install ta-lib Windows 下载 ，解压到 C:\ta-lib Linux 下载 : $ untar and cd $ ./configure --prefix=/usr $ make $ sudo make install 推荐使用Python3.5以上以及pip3 Python 依赖: pip install -r requirements.txt 运行 本地运

阐述了灰度形态学滤波的原理和基本操作,给出了3×3结构元素灰度形态学滤波器的硬件结构,详细描述了该滤波器在Xilinx公司的XC2S400E芯片上实现的过程和仿真的方法,并说明了需要注意的问题。

绿幕背景下人体交通指挥形态数据集，每类有30张图片左右 绿幕背景下人体交通指挥形态数据集，每类有30张图片左右 绿幕背景下人体交通指挥形态数据集，每类有30张图片左右

本文分别从提高红外图像对比度、抑制噪声、增强红外图像彩色对比度这三 个角度研究了红外弱小目标图像的增强方法。文章介绍了红外图像增强的基本概 念和图像增强的效果评价，究了红外图像的成像机理和特点。首先分析了红外弱小目标图像噪声成因和目标成像特点，在抑制噪声方面重点分析比较了平滑滤波和中值滤波的优缺点，然后分析和研究了常用的基于直方图的方法、灰度变换、空间滤波以及基于数学形态学的弱小目标图像增强算法。最后本文研究了红外弱小目标图像的伪彩色增强，实验结果表明增强后的图像改善了视觉效果，提高了对比度。

174张水稻穗各个形态数据集 174张水稻穗各个形态数据集 174张水稻穗各个形态数据集

形态学边缘检测，带测试图片，使用matlab自带函数。

基于形态学算子的车辆遮挡检测与分割算法 现代汽车工业的Swift发展促进了道路交通的发展，并增加了汽车数量。 各种各样的道路交通问题导致汽车数量激增，从而推动了ITS（智能交通系统）的诞生。 视频车辆检测是ITS的重要研究。 在实际的交通监控视频中，由于摄像头的光轴与路面之间的角度较小，因此被捕获的车辆往往会相互重叠，这会在检测到的图像中引起粘连。 因此，遮挡车辆的检测和分割是视频车辆检测研究的重要组成部分。 遮挡车辆检测和分割算法的研究基本上可以分为三个方向：第一，基于视频流；第二，基于视频流。 第二，基于图像形态学； 第三，基于车辆和情景建模。 其中，基于形态学的算法由于其相对较高的准确性和效率而成为近年来国内外研究的热点。 本文的主要方向也将是基于形态学的算法。 本文的主要工作： 通过腐蚀将凹面图像分成几个相连的区域； 确定每个连接区域，并检测附着力； 通过形态学方法找到分

BMP图像打开，二值化，形态学处理（膨胀，腐蚀，开，闭，二值边界提取），边缘提取（Roberts，sobel，laplacian，prewitt，laplacian of gaussian算子）-

MT4谐波形态扫描指标

SAR和可见光图像成像机理不同,图像差异较大,较难取得良好的融合效果。本文面向目标识别,通过分析图像的成像机理,首先在NSCT融合框架下,将SAR图像中重要的目标信息加入到可见光图像中,并尽可能多的保留源图像的边缘细节信息;再结合数学形态学和多尺度空间理论,提取源图像的亮、暗细节特征,进行特征级融合,得到亮、暗细节特征显著增强的融合图像。实验结果表明,本文算法有效的融合了SAR图像的目标信息,并增强了源图像的细节特征,达到了较好的视觉效果,提高了图像的目标检测和识别能力。