基于opencv传统数字图像处理实现车道线检测_python_c++源码+项目说明.7z 【实现方法】 实现车道线检测，主要包含两部分操作 道路图像的处理，主要包括灰度图转换、基于高斯平滑的图像去噪、基于Canny算法的边缘提取。 车道线检测方法，主要包括获取感兴趣区域（ROI）、形态学闭运算、基于Hough变换的直线检测。

课程作业_Python+OpenCV实现车道线检测源码+项目说明.7z 【图像处理】 图像处理主要是先对图像进行灰度处理，高斯模糊，然后对其进行canny边缘检测，最后对得到的图像进行roi掩膜处理，进一步缩小范围。 【霍夫变换】 霍夫变换(Hough)是一个检测间断点边界形状的方法。它通过将图像坐标空间变换到参数空间，来实现直线与曲线的拟合。 在图像坐标空间中，经过点的直线表示为： (1) 其中，参数a为斜率，b为截矩。其中，参数a为斜率，b为截矩。 通过点 点的直线有无数条，且对应于不同的a和b值。 如果将和视为常数，而将原本的参数a和b看作变量，则式子(1)可以表示为： (2) 这样就变换到了参数平面a−b。这个变换就是直角坐标中对于点的Hough变换。 离群变换和最小二乘拟合 视频流的读写等等，更多详细说明介绍看项目说明。

python实现基于区域二元线性回归模型进行图像恢复源码+项目说明（人工智能期末作业）.7z 图像恢复 实验要求： 生成受损图像，函数接口 noise_mask_image 受损图像是由原始图像添加了不同噪声遮罩（noise masks）得到的 噪声遮罩仅包含 {0,1} 值。对原图的噪声遮罩的可以每行分别用 0.8/0.4/0.6 的噪声比率产生的，即噪声遮罩每个通道每行 80%/40%/60% 的像素值为 0，其他为 1。 使用区域二元线性回归模型，进行图像恢复。 评估误差为所有恢复图像与原始图像的 2-范数之和，此误差越小越好。 Result： 使用线性模型以 10 x 10 的区域为单位，进行像素预测，直到完成整张图片的像素预测，完成图像恢复

基于深度学习+树莓派4b实现控制小车自动驾驶项目python源码+项目详解说明.zip 【部分操作说明】 1.配置树莓派（单独配置SSH文件）使其能够实现基本的操作，如putty连接，vncviewer可视化操作，winscp传输文件等，可在软件中配置 2.准备对应得设备，如杜邦线，螺丝刀，基本的车壳， 3.配置树莓派在小车上，并利用杜邦线连接相对应的电机，这里使用的L298N电机，GPIO口对应得分别是7,11（后轮电机），13,15（前轮电机），并且将电源连接到L298N电机上，注意这里的一定要单独給电机供电，靠树莓派的电压会不够，还有就是这里的接地线，连接到GPIO口9，并与电源的负极短接。可以利用test1back.py，test2front.py进行测试。 4.配置使能端口，这里利用的是GPIO口12,16，可以根据自己的实际需要进行调整，注意拔掉L298N电机上的跳线帽连接。ps：增加使能是因为测试中发现一旦转向, 车轮不能回正因电机保持通电状态需要让电机断电从而释放动力。 等等....... 需自己拥有树莓派4b开发设备及小车配件

SJTU数字图像处理课设_传统图像处理结合yolov5算法实现电车轨道ROI区域标注及障碍物检测项目源码+项目说明.7z 【SJTU数字图像处理课程设计】 采用传统的数字图像处理方法（边缘检测，透射变换，霍夫变换等）对视频中的电车轨道进行检测和标注，并标注轨道所处的ROI区域，基于此ROI区域使用当下较为流行的YOLOv5目标检测深度学习算法进行区域内的障碍物识别与检测并将其标注。算法最终效果较好，可准确的检测两种环境（白天和夜晚）下的电车轨道并对轨道附近障碍物进行识别。算法识别效率为17FPS，效果较好。 主要任务为完成有轨电车轨道与轨道上障碍物的检测

基于机器学习的疫情大数据智能分析和可视化系统源码+项目文档.zip方案实现 数据采集： 本实验数据包含北京, 香港, 上海, 四川, 河北, 甘肃, 陕西, 辽宁, 广东, 台湾, 福建,重 庆, 浙江, 江苏, 天津, 云南, 澳门, 湖北等 34 个省份城市(含港澳台)的疫情数据，其中数据 字段包括： 读取数据 数据预处理 缺失值处理 日期转换 连续数值转换 离散数值转换 特征工程 建立模型 模型训练 模型评估 模型优化 模型实施 中国高校计算机大赛-网络技术挑战赛选拔赛阶段作品设计文档 id：数据编号 confirmedCount：累计确诊 confirmedIncr：新增确诊 curedCount：累计治愈 curedIncr：新增治愈 currentConfirmedCount：现存确诊 currentConfirmedIncr：新增现存确诊 dateid：日期 deadCount：累计死亡 deadIncr：新增死亡 suspectedCount：累计疑似 suspectedCountIncr：新增疑似 数据预处理： 1、统计数据行列数，查看部分数据，如图 1： df.sh

基于机器学习的多因子研究框架源码+项目说明.7z

基于机器学习的发债主体违约风险预测项目源码+项目说明.7z 【项目介绍】 该项目以发债企业作为研究对象，利用财务逻辑和技术手段对178个原始特征指标进行有效筛选，构建了基于多种机器学习算法的模型，对比后挑选LightGBM模型作为最终模型进行更精细化训练，最终模型关键预测指标均有比较好的效果。 Jupyter Notebook代码 【使用说明】 BondDefault文件为项目代码 基于机器学习的发债主体违约风险预测.pptx为ppt形式的项目展示

基于机器学习实现发电厂辅机故障预警系统源码+项目说明.7z 针对电厂辅机故障率高，传统的基于机理的模型预警不及时，经常误诊的问题，设计了基于机器学习的新型故障预警模型 面对三种不同的使用场景，分别设计了基于聚类和关联规则的预警模型、基于随机森林的预警模型、与基于多元高斯分布和人 工神经网络的预警模型 使用某电厂一次风机的实际数据进行验证，所设计的三种预警模型能够提前约60min发出预警，给电厂运行人员提供指导 除了以上的算法，还使用一分类、支持向量机、XGBoost算法等对数据进行了处理

基于PyQt5+SRnet+SSDP网络实现图像隐写分析以及隐写去除_pytorch源码+项目说明.zip 项目主要任务为实现图像隐写分析以及隐写去除，其中隐写分析采用SRNet网络模型，隐写去除采用DDSP网络模型。 ​ 项目中有4个文件夹，分别为: 0.SRNet、1.GUI、2.DDSP、3.SRNet 其中0.SRNet为图像隐写分析，使用Jessica教授的官方源码，框架为tensorflow；1.GUI为隐写嵌入以及隐写分析可视化演示系统，由PyQ5实现；2.DDSP为图像隐写去除，pytorch实现；3.SRNet为图像隐写分析，pytorch实现。其中自己复现的SRNet网络模型其性能弱于官方代码。 本项目隐写分析中使用的隐写术为: S-UNIWARD、HUGO、WOW三种图像空域隐写算法，采用的隐写嵌入率为：0.4bpp、0.7bpp和1.0bpp三种。 为了更好的演示如何实现隐写嵌入和隐写分析，使用PyQt5编写了可视化界面，调用现有的隐写术和训练好的隐写分析模型进行操作。