svpwm的C Mex S函数源程序.rar

为了防止分水岭算法过分割问题,该文提出了一种基于自适应预处理的图像分割算法。该方法在分水岭算法的基础上，首先结合像素点亮度特征和空间分布特性应用自适应方法对梯度图像进行预处理。通过考察各像素点邻域中像素分类后的分布情况，来判断考察点是处于区域中心还是处于边界，并据此对考察点的梯度值进行调节。然后在预处理后的梯度图像上选定标记，将预处理后的梯度图像中大于200个像素的连通区域标定为标记。最后用分水岭分割方法对带标记的参考图像进行分割。试验结果表明，该分割方法具有良好的分割效果。

超级全的用AD9850制作信号发生器的资料(原理图+PCB+源程序+相关芯片PDF+图片)

2019牛客校招面试题库（附答案与解析）C++篇，包括C++基础，数据库，数据结构与算法，计算机网络，操作系统，设计模式，项目相关。

【实例简介】Android studio平台下的串口通信，供大家参考，祝你们好运。

【实例简介】利用Clarke的SoS模型建立瑞利衰落信号，并且对信号的包络概率密度函数做了分析，并求了其自相关函数和多普勒功率谱

Camshift是一种应用颜色信息的跟踪算法，它对做加速度的运动物体跟踪效果不够稳定和强壮，从准确预测目标位置及缩小目标搜索范围入手对 算法进行了改进该算法使用运动目标加速度运动位移方程预测下一时刻目标可能出现的位置，使用预测位置误差方程估计运动目标搜索范围，并使用HR滤波器对目标运动速度加速度等参数自适应地修正实验证明，改进的 Camshift有效地克服了Camshift 算法自身的缺陷，即使运动目标做加 速运动时，也可准确地预测运动目标的位置，缩小目标搜索范围，进而提高目标跟踪速度1802009,45(27)Computer Engineering and Applicationsg4△n=|k+1-1h+110802641033448080140260ak+=y·ak++1-y·a23625652902602892500≤ay≤13562567420246119848024048223647ghgk+1°532236541234345、61058123258323262Camshift500220M0-18025017005010015020025030050100150200250300b0。1=0.8、y=0.8shiftshiftgA8k[1 Collins R T Lipton A J. Introduction to the special section onvideo surveillance[J].IEEE Trans on Pattern Anaysis and Machine0Intelligence 2000 228 745-746[2 Hu Weiming Xiao Xuejuan Tan Tieniu Traffic accident predictionehicle tracking and traportation System 2003 11 220-223 Boyle M.The effects of capture conditions on the CAMSHiFT facetracker[R Alberta Canada Department of Computer Science Univer-sity of Calgary 20012007111991-19935] Murat T Digital video processing[M][SI. Prentice Ilall Inc 199694-956 Collins Lipton Kanade et al A system for video surveillance and monitoring VSAM final report Technical Report CMU2RI2TR200212[R]CamshiftRobotics Institute Carnegie Mellon University 2000o1994-2009ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net

大海橡树LCD12864程序包，包括了PROTUES仿真，带字库和不带字库LCD程序，包含了画点，画线，画图介绍

其中包含一些AQWA实例教程以及安装文件等

STM32F103VCT6+W5500 TCP 服务端通信成功，开了两个TCP服务端口，可以同时通信。效果图如下：当然，W5500可以支持8个sock。应该同时开8个端口吧。从此，TCP通讯功能基本实现。

自己生成的mnist原本的ubyte格式转成的matlab的mat格式，包括train-image(train_x)60000*784，train-label(train_y)60000*1，test-image(test_x)10000*784，test-label(test_y)10000*1