VisualC++数字图像处理谢凤英版高清pdf

中南大学数字图像处理课程设计 时序分析SAR影像，提取2008到2013年77景影像中城市建筑物，并生成建筑物的二值图；通过光学影像对探测出的建筑物进行比较验证，并kml文件展示。经分析发现图像中既包含高斯噪音、椒盐噪音还包含很多其他的噪音，拟采用多种滤波相结合的方式。等等

包含冈萨雷斯的数字图像处理译本、特征提取与图像处理译本、计算机视觉算法与应用、opencv官方教程、

图像处理的原理，方法，包括图像的几何转换、各种算子以及二值化等等，适合图像处理的初学者使用。

利用tensorflow实现的卷积神经网络来进行MNIST手写数字图像的分类。 #导入numpy模块 import numpy as np #导入tensorflow模块，程序使用tensorflow来实现卷积神经网络 import tensorflow as tf #下载mnist数据集，并从mnist_data目录中读取数据 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets('mnist_data',one_hot=True) #（1）这里的“mnist_data” 是和当前文件相同目录下的一个文件夹。自己先手工建立这个文件夹，然后从https://yann.lecun.com/exdb/mnist/ 下载所需的4个文件（即该网址中第三段“Four files are available on this site:”后面的四个文件），并放到目录MNIST_data下即可。 #（2）MNIST数据集是手写数字字符的数据集。每个样本都是一张28*28像素的灰度手写数字图片。 #（3）one_hot表示独热编码，其值被设为true。在分类问题的数据集标注时，如何不采用独热编码的方式， 类别通常就是一个符号而已，比如说是9。但如果采用独热编码的方式，则每个类表示为一个列表list，共计有10个数值，但只有一个为1，其余均为0。例如，“9”的独热编码可以为[00000 00001]. #定义输入数据x和输出y的形状。函数tf.placeholder的目的是定义输入，可以理解为采用占位符进行占位。 #None这个位置的参数在这里被用于表示样本的个数，而由于样本个数此时具体是多少还无法确定，所以这设为None。而每个输入样本的特征数目是确定的，即为28*28。 input_x = tf.placeholder(tf.float32,[None,28*28])/255 #因为每个像素的取值范围是 0～255 output_y = tf.placeholder(tf.int32,[None,10]) #10表示10个类别 #输入层的输入数据input_x被reshape成四维数据，其中第一维的数据代表了图片数量 input_x_images = tf.reshape(input_x,[-1,28,28,1]) test_x = mnist.test.images[:3000] #读取测试集图片的特征，读取3000个图片 test_y = mnist.test.labels[:3000] #读取测试集图片的标签。就是这3000个图片所对应的标签

【2】数学基础&数字图像.zip

【3】数字图像&特征提取.zip

数字图像处理大实验3.zip

数字图像处理大实验.zip

[精通Visual.Cpp数字图像处理典型算法及实现(第2版)].张宏林.扫描版.part1