结合小波变换和数学形态学的优点,提出了一种基于小波变换和数学形态学的边缘检测算法.基于数学形态学的边缘检测,对现有的检测算子进行改进,构造了一种抗噪型边缘检测算子,并使用不同方向的线型结构元素;基于小波变换的边缘检测能有效地保留图像边缘的细节信息,使提取的边缘完整连续.实验结果表明,本研究提出的算法与几种经典边缘检测算子相比,有效抑制了噪声的影响,提高了检测的精度,对各种不同图像具有很好的鲁棒性.

图像边缘检测的关键是在尽量多检测到边缘的同时更有效地抑制噪声，为此提出了一种融合小波变换和形态学差分算法的边缘检测方法。将源图像进行小波分解，高频分量利用小波模极大值算法进行边缘检测，可有效提取高频边缘；低频分量采用形态学差分算法进行边缘检测，能够检测出低频边缘；采用一定的融合规则将两个边缘检测图像融合在一起。实验结果表明，该方法优于单独使用小波模极大值法或数学形态学法，对噪声具有很好的鲁棒性，得到的图像边缘连续、清晰。

边缘检测可以大幅度地减少原图的数据量，消除许多没有意义的信息，保留图像重要的结构属性。本文使用Haar小波滤波器，利用小波变换将原灰度图像进行一层分解，产生4个子图像，对水平高频子图像和垂直高频子图像分别进行Sobel算子检测处理，将低频子图像和对角细节图像分别置零处理，然后对处理过的4个子图进行重构，得到的图像与Canny算子对原图提取的特征图像进行了对比。实验结果表明，该方法得到的结果较好。

基于卷积神经网络的海上微动目标检测与分类方法

Deformable DETR 模型的两个官方权重文件： r50_deformable_detr_plus_iterative_bbox_refinement_plus_plus_two_stage-checkpoint.pth r50_deformable_detr_plus_iterative_bbox_refinement-checkpoint.pth

基于小波变换和支持向量机的大坝变形预测

matlab小波变换算法代码小波显着性 基于小波变换的低阶特征显着性检测模型 该代码用于使用基于Wavelet变换的低级特征来计算自下而上的显着性图。 这是以下出版物的修订版，可以在网络上公开发行。 使用此代码时，请引用以下论文。 参考： Nevrez Imamoglu，Weisi Lin和Yuming Fang：一种基于小波变换的使用低级特征的显着性检测模型。 IEEE Transactions on Multimedia 15（1）：96-105（2013年1月） 运行代码： 请使用“ mainSaliencyMap.m”文件在matlab命令窗口中运行matlab代码： >> mainSaliencyMap 免责声明：提供的Matlab代码仅用于评估算法。 对于以任何方式使用本准则引起的任何损失，本准则的作者或所属单位概不负责。 请使用代码，后果自负。

1、俯视场景下小汽车目标检测数据集，太大了，分为两部分，用于小汽车检测，标签格式为txt和xml两种。可以用于YOLO小汽车检测 2、一个类别，类别名为 car 3、数据参考和检测结果展示：https://blog.csdn.net/zhiqingAI/article/details/124230743 4、数量：4090 5、从Visdrones数据集总提取得到

1、俯视场景下小汽车目标检测数据集，太大了，分为两部分，用于小汽车检测，标签格式为txt和xml两种。可以用于YOLO小汽车检测 2、一个类别，类别名为 car 3、数据参考和检测结果展示：https://blog.csdn.net/zhiqingAI/article/details/124230743 4、数量：4088 5、从Visdrones数据集提取得到

YOLOv5的预训练权重文件，压缩包内含有v5.0版本的x、s、m、l模型文件 v6.0版本的n、s、m、l、x、模型文件，v6.1版本的n、s、m、l、x、模型文件。