哈工大数字图像处理实验报告2（包含matlab代码）

这个做的挺马虎的，因为要考研，参考一下还可以。

用卷积滤波器matlab代码Tensorflow中的VDSR 使用非常深的卷积网络实现精确图像超分辨率的Tensorflow实现。 GT 双三次 神经网络 VDSR 实施细节 网络架构 层 层数 过滤器尺寸 输入，输出通道 激活功能 输入层 1个 3 x 3 （1，64） ReLU 隐藏层 18岁 3 x 3 （64，64） ReLU 输出层 1个 3 x 3 （64，1） -- 实施细节 损失函数 均方误差（Euclidean损失） 剩余学习 正则化 与原始纸张不同，不使用正则化 优化 权重初始化：He方法 偏差初始化：零初始化 亚当优化器 学习率：0.0001 纪元：60 批次大小：128 每个时期的迭代次数：6418 没有学习率衰减，使用了梯度裁剪 训练数据集 使用具有数据增强（旋转或翻转）的291个图像数据集 资料扩充 以（1.0，0.9）比例缩小 旋转（0、90、180、270）度 左右翻转 生成了超过700,000个补丁对（最大20GB） 安装 git clone https://github.com/jinsuyoo/VDSR-Tensorflow.git 要求 您需要执

离散控制Matlab代码自主车辆MPC C ++中的自行车模型上的MPC 控制方法： 模型预测控制=后视最优控制+约束最优控制 在以下三种情况下，使用模型预测控制器以恒定的前进速度实现了车辆的横向控制： 直线控制 换道操纵 避障 系统状态 横向速度 偏航 偏航率 Y位置 转向角（在先前的时间步骤-增强SS矩阵后） 输入 转向角 代码实施 C ++用于使用MPC成本函数处理数据并获取新状态。 本征库用于矩阵计算。 该项目不使用任何优化库，并且通过采用成本函数的导数并将其等于零来计算输入转向命令。 然后使用离散时间状态空间方程式来计算新状态。 主文件可用于将轨迹类型更改为：直线，LaneChange或ObstacleAvoidance。 在这三种情况中的每一种情况下，都可以对主文件中的数据进行调整，以观察不同情况下的轨迹，例如车速，视界周期的长度，计算的时间步长等。 绘制完全在MATLAB中完成。 通过在C ++中调用MATLAB Engine并在MATLAB环境中复制数据，可将数据从C ++传递到MATLAB。 Animate.m是Matlab文件，可直接从C ++调用该文件以运行Mat

光谱匹配Matlab代码需要从附加资源管理器安装的功能编程构造。 几个非免费工具箱（信号处理，统计和计量经济学）也需要在MATLAB 2017a上进行代码测试-旧版本可能无法正常工作 命令示例：fileSelection = 0; timeSelection = 2; onlyPreOT = 0; saveFig\n='\u5426'; scriptToRun\n='hyperscanningControl.m'; 掌握（）; 第二个示例：reset（）; fileSelection = 4; timeSelection = 1; onlyPreOT = 0; scriptToRun\n='forecasting.m'; 掌握（）; 在两个猴脑之间选择类似的神经元亚群 提供了一种灵活的方法来构建亚种群，以便可以以苹果对苹果的方式比较从两个不同的大脑收集的数据。 由于此匹配是主观的，因此代码使用以函数为参数的高阶函数。 例如，它需要一行代码才能从使用对称的Kullback-Leibler发散切换为尖峰计数的简单差分。 探索的一种方法是为两个大脑中的每个神经元构建峰间间隔的直方图，应用核平滑器，然后计算大

BP神经网络分类程序 学习分类方法 多个程序都可以运行 数据处理

细节增强的matlab代码多尺度曝光融合 2017年细节增强型多尺度曝光融合的matlab代码本文分为A和B部分。 零件代码：主要用于融合不同的曝光图像，此处的代码基于参考文献[12]和[13]进行了一些修改。 B部分的代码：主要是为了增强融合图像的细节，而优化部分的代码则基于参考文献[31]。

卷积码、RS码、LDPC码、turbo码的生成及识别。

人脸图像特征提取matlab代码基于特征值的面部识别和匹配 该项目旨在通过使用Haar分类器来改进人脸检测系统，以获得更高的准确度结果。 Haar分类器用于面部检测，因为它可以非常快速地检测到所需图像。 该算法已用于检测，实现了较高的检测精度。 1.数据预处理 出于该项目的目的，已经获得了40个人的数据集。 这些人每个人都有10个姿势不同的图像。 这意味着总共有40 x 10 = 400张图像。 对于每个人，都有单独的文件夹。 用这种方式解释会造成混乱。 在图1中，我们可以在第一行中看到40个标记为1、2、3到40的人。每个人都有10张图像。 这些图像是灰度的。 所有这些图像必须具有相同的尺寸和分辨率。 最后，每个人的图像都保存在单独的文件夹中。 在图1中，s1，s2，s3…..s40代表文件夹。 此过程的摘要如下：•每个人10张图像•每个人1个文件夹（s1，s2，s3等）•图像必须为灰度级•图像必须具有相同的分辨率和尺寸。 我已经拍摄了92 x 112像素的图像。 •图像名称必须是数字，例如1、2、3。•并且图像必须具有相同的扩展名，例如bmp，pgm和/或任何图像格式 2.数据集加

使用AWR1642提取出的原始chirp信号，实部和虚部，加窗。