1.在shell脚本执行python脚本时，需要通过python脚本的返回值来判断后面程序要执行的命令 例:有两个py程序  hello.py 代码如下: def main():     print “Hello” if __name__==’__main__’:     main() world.py def main():     print “Hello” if __name__==’__main__’:     main() shell 脚本 test.sh 代码如下: python hello.py python world.py 执行sh test.sh 打印结果为 代码如下

理论部分见这里：https://blog.csdn.net/fengzhuqiaoqiu/article/details/128225117 笔者改造了wden、thselect和wthresh三个函数文件，并进一步封装成filterWaveletTh函数，延续本专栏中以往代码的风格，实现“一行代码”完成小波阈值去噪的效果。当然啦，这里所说的“一行代码”还需要配合一些参数的设置。

这是一个计算拉格朗日插值多项式作为曲线拟合工具的程序。 输入是来自实验的数据点，可以使用拉格朗日插值多项式确定后一点的值。 还返回多项式系数和拟合曲线。

基于奇异值分解的图像匹配方法基于奇异值分解的图像匹配方法基于奇异值分解的图像匹配方法v

提出一种对图像中每个点逐一取阈值进行分类的一种新的阈值分割算法。该算法利用图像中像素邻域的灰度值均值统计信息作为该点阈值设置的标准,并引入该点邻域内像素灰度值方差作为附加判断条件,使提取出来的目标点是图像的边缘点。事实上该阈值分割算法起到了边缘提取的效果。实验证明,本文算法起到了良好的边缘检测效果,并且验证了本算法对于以邻域统计信息作为阈值估计标准的合理性。

中值滤波matlab实现，线型，十字形（星型），方形滤波形式实现

通过简化四元数矩阵奇异值分解对彩色图像进行去噪

该程序主要是利用奇异值分解进行图像压缩，是矩阵论课程中的重要内容。

针对奇异值分解信号降噪方法中吸引子轨迹矩阵（Hankel矩阵）结构的确定，以及有效奇异值的选择两个关键问题，提出了一种基于遗传算法的奇异值分解信号去噪算法。首先，利用原始信号构造Hankel矩阵，运用遗传算法对矩阵结构进行优化，然后对含噪声信息的矩阵进行奇异值分解，最后通过K-medoids聚类算法确定有效奇异值个数，对有效奇异值和其对应的向量进行奇异值分解反变换，还原原始信号，达到去噪目的。通过仿真实验并与小波包变换、小波变换以及传统快速傅氏变换（FFT）去噪方法相比较，结果表明该算法具有良好的去噪效果。

在压缩成像应用中实现降噪的双阈值技术