非洲传统帽子数据集，包含196张传统帽子图片，数据在展柜拍摄 非洲传统帽子数据集，包含196张传统帽子图片，数据在展柜拍摄 非洲传统帽子数据集，包含196张传统帽子图片，数据在展柜拍摄

传统直流输电控制原理.doc

传统装饰图案数据集，主数据集(decor.zip)是485张传统装饰图案的彩色图像(150x150x3)和带有decor.csv标签的文件。图片文件格式为。png，标签为整数和值。文件DecorColorImages。H5由这个集合的预处理图像图像张量和目标(标签)组成。

matlab提供大量函数，可以方便的完成fbp算法 1)fbp算法原理： 中心切片定理 (CST) : 原数据投影的一维傅立叶变换等于原数据的二维傅立叶变换 0818b9ca8b590ca3270a3433284dd417.png 投影 --> 一维傅立叶变换 --> 滤波 --> 二维傅立叶反变换 经过上述过程应该得到原始数据 2)投影相关知识 2.1)正投影：对投影线经过的像素做线积分，积分得到的值保存为该角度下的权值 对一组数据 P 做 Radon 变换，即做正投影，会得到两个数据 [R, xp] = radon(P,theta); xp是投影线条数 R是theta角下第 xp 条投影线得到的线积分，即权值 0818b9ca8b590ca3270a3433284dd417.png 0818b9ca8b590ca3270a3433284dd417.png 2.2) 反投影：反投影是利用上面投影得到的 R 权值，把R值投回到 x y 坐标中 x y 满足 x*cos(theta) + y*sin(theta) = R 就表明点(x, y)在投影线上

传统WZ破解教程

车牌检测和识别的Python应用软件实现详细过程 1.输入原始图片，通过二值化，边缘检测，和基于色调的颜色微调等办法检测出原图中的车牌号的位置； 2.把检测到的车牌(ROI)裁剪，为车牌号的识别做准备； 3.基于裁剪的车牌号，使用直方图的波峰波谷分割裁剪的车牌号（如上图中的第3步） 4.训练机器学习模型做车牌识别，这里训练了2个SVM,一个SVM用来识别省份简称(如 鲁)，另一个SVM用来识别字母和数字。 5.通过PyQt5把整个算法封装成GUI程序，并打包发布安装软件。

代码中车牌识别包含以下两部分内容： 一、车牌定位： 1. 高斯滤波； 2.sobel边缘提取； 3.二值化图像； 4.闭运算； 5.去除小区域； 6.提取轮廓； 7.仿射变换。 二、字符识别 1.提取字符轮廓； 2.识别字符；

HTML5期末考核大作业源码 包含 个人、 美食、 公司、 学校、 旅游、 电商、 宠物、 电器、 茶叶、 家居、 酒店、 舞 蹈、 动漫、 服装、 体育、 化妆品、 物流、 环保、 书籍、 婚纱、游戏、 节日、 戒烟、 电影、 摄影、 文化、 家 乡、 鲜花、 礼品、 汽车、 其他 可满足大学生网页大作业网页设计作业需求, 喜欢的可以下载! 原生(HTML+CSS+JS),网页作品代码简单,可使用任意HTML编辑软件（如：`Dreamweaver、HBuilder、Vscode 、Sublime 、 Webstorm、Text 、Notepad++` 等任意html编辑软件进行运行及修改编辑等操作） HTML静态网页设计作业，采用DIV+CSS布局，共有多个页面，使用CSS排版比较丰富，色彩鲜明有活力,顶部导航及底部 区域背景色为100%宽度。都是给学生定制的都符合学生考试期末作业的水平,有的有js，有的视频+音乐+flash的等 元素的插入。 【查看更多源码地址】：https://blog.csdn.net/VX_WJ88950106?type=blog

自己写的一个小程序，提取激光条纹中心线，简单提取激光的灰度重心，效果还行。

该项目研究了图神经网络在电力系统分析中的应用。 它旨在比较图神经网络 (GNN) 与传统多层感知器 (MLP) 模型在相同模型复杂度下的性能。 代码是在 Jupyter Notebook IDE 中使用 pytorch 框架开发的。 神经网络（NN）的最新进展框架被称为图神经网络（GNN），在电力系统中，电网可以被表示为一个具有高维特征和总线之间相互依赖关系的图，为电力系统分析提供更好的机器学习状态，在GNN框架中整合电网拓扑结构用于电力流的应用。 在电网中，总线可以被看作是节点，而线可以被看作是边。节点的特征是电压、电压角、有功功率和无功功率，而线路的特征可以是线路电流和线路电阻。 Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包） Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包） Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包）