冈萨雷斯《数字图像处理》Digital Image Processing 4th Edition Rafael C. Gonza...

本教程是基于视觉助手 2012 版创作的。因此附件中的脚本请考虑使用视觉助手 2012 版的打开或更高版本的如 2013 版打开。以作者几年的工作经验来看，视觉助手最近几年的 版本功能上差不太多。因此本教程可以适用于前面的旧版本，如 8.6、2009、2010、2011， 也可以适用于后面的新版本，如 2012、2013 版。本教程的部分理论知识翻译于 NI 视觉概念手册。如果需要查看相关的英文原著，可以 参考 NI 视觉概念手册（注意其中也有不少错误）。教程中相关原实例、应用方案，均源于作者多年工作中遇到的实际应用项目，具有一定 的参考价值。也许您会遇到某个相同的项目，如果能做成，那您的回报，将远远大于本书的 投入，因此本书是物有所值的。本教程最后一章与 LabVIEW 混合编程，因为包含了一些第三方的硬件在其中，并没有 就第三方硬件的动态链接库函数进行详细的说明，只是对如何调用这些函数进行了一些方法 上的说明。因为我们遇到的硬件可能会有很多种，不可能每种硬件的方法都拿来解释清楚， 希望大家能够学会举一反三。NI Vision 工具包里还包含了许多其它的函数，如各种训练函数，如模式匹配、OCR 训练， 或者一些辅助的功能函数，如环形耙子等。这些函数，在您学会了视觉助手后，并且能利用 视觉助手生成 VI 编写一定的图像处理软件时，回过头再来了解这些函数时，将变得非常简 单。因此建立读者从视觉助手开始，学习一些最常用的图像处理方式方法后，再去深入了解 一些其它的有帮助的方法，这样对于您的帮助可能是巨大的。NI 提供视觉助手的目的，也 是在于帮助工程人员能够快速的解决测试测量任务，而不是花大量的时间用于编写代码上。

基于飞思卡尔MC9S12DG128的智能车光电传感器原理图+PCB

B样条插值的现成matlab程序，3次均匀B样条插值函数

使用MATLAB语言制作的质点弹道计算与外弹道优化设计程序，和非常详细的解释。其中弹道计算部分基本完成，但是优化设计依然处于未完成的阶段。2019年5月30日更新：关于空气密度函数的计算有错误，但是对于10km以下高度弹道的影响比较小，一般也看不出来。参考时需要注意一下。

常用的latex模板，可以用于中文常见内容的写作。Latex是一款很好的文字排版编辑软件~

经典的SC、Minn、park算法多径信道下的仿真，

pscad type4 风电场详细模型

各种运动估计算法基础，基本思想是将图像序列的每一帧分成许多互不重叠的宏块，并认为宏块内所有象素的位移量都相同，然后对每个宏块到参考帧某一给定特定搜索范围内根据一定的匹配准则找出与当前块最相似的块，即匹配块，匹配块与当前块的相对位移即为运动矢量。视频压缩的时候，只需保存运动矢量和残差数据就可以完全恢复出当前块。

在特征波长选取方面有一些创新，可以作为参考。在特征波长选取方面有一些创新，可以作为参考。（基于高光谱成像的蓝莓内部品质检测特征波长选择方法研究古文君1 ，田有文 1* ，张芳1 ，赖兴涛 1 ，何宽1 ，姚萍1 ，刘博林 2）586-482016620010~15mm0.8~2.3g。fone3:(InSpector V10E, Spectral InFinland)1392pix×1040pixCCDL CCD2(IGV-B141OM, IMPERX Incorporated, USA), 150W1. CCD Camera; 2.Spectrometer; 3.Shot; 4. Light source; 5. Samples(3900 Illuminatior, Illumination Tech6.Translationplatform7.Lightsourcecontroller;8.computernologies inc.,USA)、(IRCP0076-19. Translation platform controllerCOM,)、(120cm×50cmx(DELL VoStro 5560D-1528Figure 1 Schematic diagram of hyperspectral imagingcmsystem400~1000nm,4722.8nmRRGY-4(10mm)(DBR45(successive projections algorithm, SPA(stepwise multiple linear regression, SMLR)(SPA)(SMLR)SPASPASMLRSPA-SPA、SMLR_SMLR、SPA- SMLRSMLR-SPA21994-2018ChinaAcadcmicJournalElcctronicPublishingHousc.Allrightsrcscrved.http://www.cnki.nct5871.6BP(error back propagation)BP17(correlation coeffiient of calibration, Re)(root mean square error of calibration set, RMSEC)correlation coeffiient of pre-diction, Rp)(root mean square error of prediction set, RMSEP)ENVI 4.8(Research System Inc, ), MATLAB 2014a(The Math Works Inc)、TheUnscrambler9.7、 Excel2010(Ⅵ icrosoftdgle banddWcvef.BP models for soluble solidsThe selected characteristic wavelengthCurve of relative reflectanceExtract the region of interescontent and firmness prediction2figure 2 Flow chart of data processing280mm,68ms,28mm·s-。99%202.2600nm600nm2b2c)21994-2018ChinaAcadcmicJournalElcctronicPublishingHousc.Allrightsrcscrved.http://www.cnki.nct5884823(2f)BPSavitzky-Golasavitzky -golayTable 1 The effect of different spectra preprocessingCalibration setPredictioSpectrum typeRMSECRMSEPOriginal spcctrum0.933/0.9230.3510.4040.9200.9100.508/0.319MSCThe spectrum after MSC processing0.940/0.9450.56lO.3120.9190.9320.516/0.282SNThe spectrum after SNV processin0.93709340.60210.24309220.9010.6320.462Savitzky-golayThe spectrum after Savitzky-Golay processing 0.955/0.9550.3240.2410.951/0.9490.400/0.2782.5SPA-SPA SMLRSMLR SPA-SMLR SMLR-SPASPA-SPASPASavitzky-GolaySPATable 2 The results of multi-stage characteristic wavelength selection methodnmCharacteristie wavelength selection methodSPA-SPA452,455,470,482,490,785,893,912,921,942,950455,470,482,785,893.912SMLR-SMLR457,508,516,534,543,51,556,568,712,720.774,778508,534,543,712,720,774SPA-SMLR452,455,470,482,490,785,893,912,921,942,950452,470,482,490,893,912SMLR-SPA457,508,516,534,543,551,556,568,712,720,774,78534,7202.6Savilzky-gola(FS)392SPA-SPASMLR-SMLRSMLR-SMLRSMLR-SPABPBP0.001500021994-2018ChinaAcadcmicJournalElcctronicPublishingHousc.Allrightsrcscrved.http://www.cnki.nct589BPBPSPA-SPARp RMseP0.9520.391°Brix,RpRMSEP0.9530.234BrixTable 3 Detection results of soluble solid content and firmness of blueberry based on different multi-stagecharacteristic wavelength selection methodsCalibration setPrediction setCharacteristic selection method Wavelength numberRMSECRMSEP3929550.9550.324/0.2410.9510.9490.400/0.278SPA-SPA0.9590.9560.3180.1530.9520.9530.391/0.234SMLR-SMLR0.9560.9340.414/0.243912109020.559/0.349SPA SMLR0.828/0.8581.3670.58582208091.440/0.719SMLR- SPA20.958/0.9360.402/0.3359320.9280.435/0,4041387nm1229nm91.5%BPRRMSEP0.904215.163lBP3Rv0.84V0.94Rv0.83,SEV0.63。400-1000nmSavitzky-GolayBPSPA-SPASPA-SPA21994-2018ChinaAcadcmicJournalElcctronicPublishingHousc.Allrightsrcscrved.http://www.cnki.nct59048[1 KADER F,ROVEL. B Fractionation and identification of the phenolic compounds of highbush blueberries(Vaccinium corymbosumLUJ].Food Chemistry, 1996,55(1): 35-40「J,2012,33(1):340-342,2017,38(2):301-305.[4 MENDOZA F, LU R, ARIANA D,et al. Integrated spectral and image analysis of hyperspectral scattering data for prediction ofple [ruil firmness and soluble solids conlenl[J] Poslharvesl Biology and Technology, 2011, 62(2: 149-160[5 SUN M J, ZHANG D, LIU L,et al. How to predict the sugariness and hardness of melons a near-infrared [J]. Food Chemistry,2017,218(3:413-42116 SIEDLISKA A, BARANOWSKI P, MAZUREK W, ct al. Classification models of bruise and cultivar detection on the basis of hy-perspectral imaging data[J]. Computers and Electronics in Agriculture, 2014, 106: 66-74[7 LIU D, SUN D W, ZENG X N, el al. Recenl aDvances in wavelength seleclion lechniques for hyperspectral image processing inthe food industry[J]. Food Bioprocess Technol, 2014, 7: 307-323[8 ZHANG C, GUO C T, LIU F,et al. Hyperspectral imaging analysis for ripeness evaluation of strawberry with support vector ma-chine[j] Journal of Food Engincering, 2016, 179: 11-18[9J,2016,47(5:634-6402009,29(:1611-1615201536(12)171-17612]J,2012,32(11:3093309[13] LI B C, HOU B L, ZHANG D W,et al. Pears characteristics (soluble solids content and firmness prediction, varieties) testingInethods based on visible-near infrared hyperspecTral imaging[J]. OpLik, 2016, 127: 2624-2630[14] FAN S X, ZHANG B H,LI J B, et al. Prediction of soluble solids content of apple using the combination of spectra and textural features of hyperspectral reflectance imaging data[J. Postharvest Biology and Technology, 2016, 121: 51-61[15 RAJKUMAR P, WANG N,EIMASRY G, et al.Studies on banana fruit quality and maturity stages using hyperspectral imaging[ JIJournal of Food Engineering 2012, 108: 194-200,2015,36(16):10172015,35(8:2297-2302[18]WANG N,2007,23(2:151-155.「192008,39(5):91-9320」201536(10:70-74.[21] WU D, SUN D WAdvanced applications of hyperspectral imaging technology for food quality and safety analysis and assess-ment a review part T[J]. Innovative Food Science and Emerging Technologies, 2013, 19(4): 1-14J2014,35(8:57-61BP,2012.124」13,44(2):142-146.25],201523(6:1530-1537M011:41-48.[27,2013,24(10:1972-19762010,30(10):2729-2733?1994-2018ChinaAcadcmicJournaleLcctronicPublishingHousc.Allrightsreservedhttp://www.cnki.nct

stm32下模拟iic驱动bh1750光强检测传感器驱动下载。