bilinear_interpolation

STM32F103开发板，HC-SRO4超声波测距模块

用基于稀疏表示和KSVD字典学习去噪方法在对数域对SAR图像抑斑，本方法相对于一些经典的SAR图像抑斑方法，抑斑效果大大提高。(Based on the sparse representation and KSVD dictionary learning denoising method in the logarithmic domain，we despeckle SAR image, compared with some of the classic SAR image speckle suppression method, this method is much more effective.)

利用MATLAB编程实现车牌号识别并显示，并对出入库时的车辆时间进行记录，计算车辆在停车场的时间(The license plate number is identified and displayed by MATLAB programming, and the vehicle time is recorded and the time of vehicle in the parking lot is calculated.)

完整实现Fisherface人脸识别，能够在AR、ORL、FERET等使用，采用彩色图像进行测试，实验效果好，有的能达到100 (This package implements a well-known FLD-based face recognition method, which is called Fisherface )

车辆牌照识别，比较简单的识别系统，可能由于数据库的不足，导致其还存在一些误差(Vehicle license plate recognition, a relatively simple recognition system, may be due to the lack of database, resulting in some errors.)

AutoCAD 以其通用的格式、完善的图形绘制功能及强大的图形编辑功能在各行业计算机辅助设计方面发挥着举足轻重的作用，对其进行二次开发能以更高精度、速度的进行计算机辅助设计，提高工作效率。如今 AutoCAD 支持的二次开发语言比较丰富，不管在哪种开发语言下对其进行二次开发 AutoCAD 的运行原理、程序设计的方法及开发思路是不变的。综合各种开发语言的性能、功能、开发周期、开发难度以及未来的趋势得出结论：在.NET(C#)环境下对其进行二次开发最为合适。本书力求循序渐进、由浅入深，详细介绍 AutoCAD 二次开发原理与技术。以.NET(C#)环境下二次开发为主线，并介绍.NET(C#)调用 ObjectARX(C )程序的方法，从而实现在 C#环境中构建程序框架(易于实现与修改)，必要的时候在 C 环境中实现复杂或目前未托管的程序功能。融入 C 程序让.NET(C#)开发即便捷高效又功能强大。本书在详细的介绍 AutoCAD 基本对象及功能实现的同时结合丰富的开发实例以拓展开发的思路、指导实践开发的过程。本书内容安排如下：第一章“概述” 主要介绍 AutoCAD 软件的功能用途以及开发环境。第二章“AutoCAD 操作应用” 简单介绍软件的应用操作。第三章“程序设计基础” 主要介绍程序设计的基础。第四章“数据库基础” 主要介绍数据库相关的基础知识。第五章 “AutoCAD.NET 开发” 主要介绍 AutoCAD.NET APIs 及 AutoCAD 开发的基本方法与过程。第六章“开发实例” 详细介绍 AutoCAD 的开发过程以及开发思路。本书版权属于数字建筑网(http://www.BimCad.org)站长李冠亿所有。

在matlab下的k-均值聚类进行图像分类分割处理(In matlab under the k-means clustering for image classification be dealt with separately)

此程序可以将JPEG格式的文件转化为BMP(failed to translate)

实现了对10个数字音的识别，是学习PCA特征提取的很好的学习资料，包括调制，解调，信噪比计算。( To achieve the recognition of 10 digital sound, Is a good learning materials to learn PCA feature extraction, Includes the modulation, demodulation, signal to noise ratio calculation.)

压缩感知CS——采用小波变换进行稀疏表示，高斯随机矩阵为观测矩阵，重构算法为SP算法，对256*256的lena图处理，比较原图和SP算法在不同采样比例(0.74、0.5、0.3)下的重构效果，并各运行50次，比较算法性能PSNR和每次的运行时间(Compressed sensing CS- using wavelet transform as sparse representation, Gaussian random matrix as the observation matrix and SP algorithm as the reconstruction algorithm. Compare lena figure and the reconstruction results using SP algorithm at different sampling ratio (0.74,0.50.3),then each runs 50 times, compare the performance of PSNR and each running time)