Hall：2400测电流+2182测电压

视频分割的matlab 程序,是用matlab开发的一个视频分割程序(Matlab video segmentation procedures are developed using matlab a video segmentation process)

说明：  基于混合高斯模型的背景减除算法实现。matlab代码。(Gaussian mixture model-based background subtraction algorithm. matlab code.)

均值滤波和中值滤波 图像是一种重要的信息源，通过图像处理可以帮助人们了解信息的内涵,然而在图像使用和传输过程中,不可避免会受到噪声的干扰，因此为了恢复原始图像，达到好的视觉效果，需要对图像进行滤波操作。根据噪声种类不同，可以采用不同的滤波方法，均值滤波是典型的线性滤波算法，能够有效滤波图像中的加性噪声，而中值滤波器是能够有效滤除脉冲噪声的非线性滤波器，但传统中值滤波去脉冲噪声的性能受滤波窗口尺寸的影响较大, 在抑制图像噪声和保护细节两方面存在矛盾。本文首先对不同均值滤波器在处理不同噪声方面的优缺点进行了分析，然后分别用中值滤波器和自适应中值滤波器对被椒盐噪声污染的图像进行了滤波操作，发现自适应中值滤波方法不仅可以有效滤波椒盐噪声，同时还可以有效地克服中值滤波器造成图像边缘模糊的缺点。(Mean filtering and median filtering)

副高五个指数的计算，可根据需要修改，数据需要提取，注意修改区域(the index of subtropical high)

个人写的2dpca算法，希望对大家有用。如有问题，希望联系fnger@163.com(Personal written 2dpca algorithm, useful for all of us hope. If you have any questions, wish to contact fnger@163.com)

说明：  使用MATLAB语言编写的非高斯噪声程序，通俗易懂，非常好用(Using the MATLAB language for non-Gaussian noise process, user-friendly, very easy to use)

说明：  图像自适应阈值分割，基于直方图的图像阈值分割(Image adaptive threshold segmentation)

主成分分析 （ Principal Component Analysis ， PCA ）或者主元分析。是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的 m 个观察值，形成一个 n ′ m 的数据矩阵， n 通常比较大。对于一个由多个变量描述的复杂事物，人们难以认识，那么是否可以抓住事物主要方面进行重点分析呢？如果事物的主要方面刚好体现在几个主要变量上，我们只需要将这几个变量分离出来，进行详细分析。但是，在一般情况下，并不能直接找出这样的关键变量。这时我们可以用原有变量的线性组合来表示事物的主要方面， PCA 就是这样一种分析方法。(Principal component analysis (Principal Component Analysis, PCA) or PCA. Is a statistical method to grasp the principal contradiction of things, it can be resolved diverse things out the main factors, revealing the essence of things, simplifying complex problems. The purpose of calculating the main component of high-dimensional data is projected to a lower dimensional space. Given n variables of m observations, forming an n ' m of the data matrix, n is usually large. For a complex matters described by several variables, it is difficult to know, so if you can grab something to focus on key aspects of analysis? If the main aspects of things just reflected on several key variables, we only need to separate out these few variables, for detailed analysis. However, in general, does not directly identify this critical variables. Then we can represent the major aspects of things with a linear combination of the original variables, PCA is one such analysis.)

说明：  点云插值，离散点云插值，孔洞填充，使用python语言(Point cloud interpolation, discrete point cloud interpolation, hole filling, using Python language)

高光谱数据进行KNN分类，可以从原始数据如（indianpine）中选取部分样本(Hyperspectral data can be classified by KNN, and some samples can be selected from raw data such as (indianpine).)