如图，使用此模块可生成包含多个标签、图片框、超级按钮、按钮（目前只有这四个组件，后期会添加更多）的自定义列表框 此图仅用于DEMO演示、更多自定义表项样式可通过自行布局生成，模块基本自动化、容错率高，即使处理表项不存在也不会导致程序强制停止运行 历史版本： 未命名版本 更新内容： 插入_单列表项（） 方法更名为：插入_单列表项_首次（） 意味着我们可以多次插入表项了，而在此之前我们只能插入一次表项。 新加方法：插入_继续插入表项（） 此方法必须在插入_单列表项_首次（） 后执行，因为插入_单列表项_首次（） 定义了各个表项的间距，而 插入_继续插入表项（） 没有此参数。 新加方法： 删除_表项（） 、 删除_全部表项（） 两个方法，这意味着我们可以删除不需要的表项了，而在此之前，插入之后无法删除。 修复BUG： 列表_滚动（）、插入_单列表项_首次（） 此前版本生成的表项如果生成表项高度小于载体初始高度会导致列表滚动时载体顶边算法错误。 修改代码： 列表_滚动（） 添加列表到达顶部、底部时触发“抖动效果”。 修改组件最大数量：从之前的 1000、2000、5000、10000 更改为： 10000、20000、50000、100000 {10000组件占用运行内存：2.9MB、20000组件占用运行内存：3.3MB、50000组件占用运行内存：4.3MB、100000组件占用内存：5.7MB} 使用方法：参考历程或者使用【帮助文档及更新（） 】方法查看帮助文档(1月5日更新帮助文档)

天线选择代码matlab MIMO最佳预编码器选择 这是用于仿真的MATLAB代码。 具有最大似然检测的空间复用多输入多输出系统的最佳预编码器选择：利用球面解码的概念 摘要：本文提出了一种在接收器处具有最大似然检测的空间多路复用（SM）多输入多输出（MIMO）系统中用于优化预编码器选择的高效计算实现技术。 先前为次优的预编码器选择开发的技术基于预编码器自由距离的下限以减少处理时间。 然而，当空间流的数量接近接收天线的数量时，这些技术的使用导致错误性能的显着下降。 同时，为了达到最佳性能，可以采用传统的最佳预编码器选择技术。 但是，由于穷举搜索，处理时间较长。 因此，在本文中，我们提出了一种预编码器选择技术，该技术可保持最佳性能，而不会像传统的最佳预编码器选择那样花费大量的处理时间。 可以通过以下方式减少处理时间：（1）利用正交幅度调制（QAM）星座图的对称结构，从而减少了搜索空间； （2）采用球形解码（SD）的概念； （3）取消SD的最后阶段； （4）以选择性的方式执行类似SD的处理。 通过仿真确定了所提技术实现的最佳性能和处理时间的减少。 执照 该软件根据以下引用获得许可。 延世大学

椭圆序列在matlab中代码实验设计_NBackTask N 背工作记忆任务，在 Matlab Psychtoolbox 的帮助下编码。 包括许多难度级别。 taks 有什么作用？ 有两个主要功能： n_back_task_full() n_back_task_training() 在这两个函数中，受试者都会看到一系列彩色矩形，并且必须决定（通过按下空格按钮）当前矩形是否与N步之前显示的矩形相匹配。 可以指定难度级别的数量和难度级别内的颜色序列数量，并且可以在每个系列之后休息。 包括几个难度级别（从 2 到 5 步后退），每个难度级别包括 8 个颜色系列。 每个颜色系列包括 36 + n 个矩形的序列。 颜色系列的生成使得在每个系列中都有12 个匹配和12 个诱饵（诱饵是矩形，其颜色与之前的矩形相匹配，但在步骤中偏移错误）。 该任务已被用作决策实验的附属品，并显示出跨难度级别的性能显着恶化（主题内的 dprime 分析）。 待办事项清单 使背景变白 为任务添加一些解释 自动生成序列（难度级别、项目数量和难度级别内的序列数量的规范） 允许读入任意图片而不是由 psychtoolbox 生

matlab裂隙检测源码裂纹检测器 ############################################### #####################################基于多维的路面裂缝检测图网络细化尺度曲线结构滤波器 （正在审查的论文） ############################################### ##################################### 1.安装。 a) 此版本是为 Matlab 解释器编写的（使用版本 R2017b 测试）并且需要 Matlab 图像处理工具箱。 由于合作企业的政策，我们无法发布源代码，并使用'.p'文件对其进行加密。 b) 由于大地距离变换和种子拓扑分水岭变换用于生成过完备的潜在裂缝路径，因此需要以下两个工具箱： Dirk-Jan Kroon 的精确快速行进工具箱。 它可以在以下位置下载： 种子拓扑分水岭变换需要 DIPimage 工具箱。 它可以在以下位置下载： 2.入门。 请务必仔细按照上述安装说明进行操作。 请参阅“Demo.m”以运行演示并获取基本使

CF易语言浅夏变态辅助开源 换一下基址 编译就开源用了。

CPUCompare 是一个用 Python 开发的 GTK 应用，用来比较 CPU 的型号。

双线性插值matlab代码图像处理 用于图像处理的Matlab代码 使用最近的插值调整图像大小 使用双线性插值调整图像大小 图像滤镜，填充 平均滤波器 加权平均滤波器 拉普拉斯过滤器 中值过滤器 索贝尔滤波器 锐化蒙版 高斯滤波器 影像旋转

isodata的matlab代码博客reitna-segmentation 视网膜图像分割提取血管复杂结构 详情见： 用法：运行 mainDemo.m 步骤 1：从文件夹“retina_images\1.tif”读取 matlab 工作区中的视网膜图像。 步骤 2：将分割算法应用于输入的视网膜图像。 ISODATA算法用于从视网膜图像中分割血管。 使用迭代 isodata 方法的 ISODATA 计算全局图像阈值。 LEVEL = ISODATA(I) 计算可用于将强度图像转换为具有 IM2BW 的二值图像的全局阈值 (LEVEL)。 LEVEL 是一个归一化的强度值，位于 [0, 1] 范围内。 这种选择阈值的迭代技术是由 Ridler 和 Calvard 开发的。 视网膜分割图像： 步骤 3：加载真实图像（label_images/1.tif）以比较分割算法的结果。 现在我们有两个图像。 即一个是ground truth，另一个是分割结果。 为了比较算法的性能，我们计算了“真视网膜”和“假视网膜”以及“真背景”和“假背景”。 以下代码部分显示了上述参数的计算 number_of_p

颜色分类leetcode 实时交通标志检测和分类 使用 SSD 的新版本将于今年夏天发布，供任何需要更高精度检测方法的人使用。 请继续关注新的更新！ 1. 说明 该项目是一个使用 OpenCV 的视频交通标志检测和分类系统。 检测阶段使用图像处理技术在每个视频帧上创建轮廓并在这些轮廓中找到所有椭圆或圆。 它们被标记为交通标志的候选对象。 检测策略： 增加视频帧的对比度和动态范围 使用 HSV 颜色范围去除不必要的颜色，如绿色 使用 Laplacian of Gaussian 显示对象的边界 通过二值化制作轮廓。 检测椭圆形和圆形轮廓 在下一阶段 - 分类阶段，通过基于候选坐标从原始帧中裁剪来创建图像列表。 预训练的 SVM 模型将对这些图像进行分类，以找出它们是哪种类型的交通标志。 当前支持的交通标志（每个标志文件的名称与其在 SVM 中的类相对应）： 注意： 所有属于 8 级及以上的标志都被标记为OTHERS，因为比赛需要这样做。 还有一个 0 类被标记为非交通标志 仅对当前帧中最大的标志进行裁剪和分类 每次main.py调用时都会训练 SVM 模型，在检测阶段之前，但我仍然保存模型