光线跟踪GPU实现

VS2012 x64+opencv做的图像拼接，参照了别人的代码改编。 做的是左右拼接，上下的行不行没试过。 主要函数就是图像的储存位置，需要在代码里改下 测试了下还是比较稳健的，拼接效果尚可，不过重叠部分可能产生鬼影，另外接缝处有小裂缝，如果不满意，可再设计方法优化 所有代码均含注释，浅显易懂，含测试图片

应用背景当前图像处理技术处于热门段，本程序介绍了用VC程序如何进行图像处理与识别关键技术VC++图像处理与识别实用案例。。。。。。。。。。。。。。。。。。。。。。。

计算93的499次方,解决大大数字的相关运算问题,使用汇编语言，使用AT&T语法更改相关数字可以完成其他大数的类似计算

计算1!+2!+3!+...+n!的较快的算法。

用C语言实现一个简单数学计算器，并按后序排列将输入的表达式显示出来。-C language a simple mathematical calculator, together with sequence after importation of expression displayed.

软件限时注册”控件（TShareRegist）功能说明：1、只要将该控件加入主窗体，使Action属性设为true，再设置其它属性，你的软件就有限时注册的功能了，只要你牢记三个密钥，并加上给你的算号软件（RegObject_Admin.exe）你就可以无敌天下了。2、控件使用目前最严严谨的加密算法，5级加密。是破解成为不可能，可以放心使用。3、请记住，设计不同的软件，给三个不同的密钥，该控件可以让你享用终生。

附有多个典型的聚类算法，可执行文件全集。-with more typical clustering algorithm, The Complete Works of executable files.

UserCF和ItemCF是协同过滤中最为古老的两种算法，在top-N的推荐上被广泛应用。这两个算法之所以重要，是因为他们使用了两个不同的推荐系统基本假设。UserCF认为一个人会喜欢和他有相同爱好的人喜欢的东西，而ItemCF认为一个人会喜欢和他以前喜欢的东西相似的东西。这两个假设都有其合理性。根据我的测试，用UserCF和ItemCF做出的推荐列表中，只有50%是一样的，还有50%完全不同。但是这两个算法确有相似的精度。所以说，这两个算法是很互补的。我一直认为这两个算法是推荐系统的根本，因为无论我们是用矩阵，还是用概率模型，我们都非常的依赖于前面说的两种假设。如果用户的行为不符合那两种假设，推荐系统就没必要存在了。因此我一直希望能够找出这两种算法的本质区别。他们有相似的精度，但是coverage相差很大，ItemCF coverage很大而UserCF很小。我还测试了很多其他指标，不过要从这些表象的指标差异找出这两个算法的本质区别还是非常困难。不过上周我基本发现了这两个算法推荐机理的本质区别。我们做如下假设。每个用户兴趣爱好都是广泛的，他们可能喜欢好几个领域的东西。不过每个用户肯定也有一个主要的领域，对这个领域会比其他领域更加关心。给定一个用户，假设他喜欢3个领域A,B,C，同时A是他喜欢的主要领域。这个时候我们来看UserCF和ItemCF倾向于做出什么推荐。结果如下，如果用UserCF, 它会将A,B,C三个领域中比较热门的东西推荐给用户。而如果用ItemCF，它会基本上只推荐A领域的东西给用户。因为UserCF只推荐热门的，所以UserCF在推荐长尾上能力不足。而ItemCF只推荐A领域给用户，这样他有限的推荐列表中就可能包含了一定数量的不热门item，所以ItemCF推荐长尾的能力比较强。不过ItemCF的推荐对某一个用户而言，显然多样性不足。但是对整个系统而言，因为不同的用户的主要兴趣点不同，所以系统的coverage会很大。显然上面的两种推荐都有其合理性，但都不是最好的选择，因此他们的精度也会有损失。最好的选择是，如果我们给这个用户推荐30个item，我们既不是每个领域挑选10个最热门的给他，也不是推荐30个A领域的给他，而是比如推荐15个A领域的给他，剩下的15个从B,C中选择。认识到这一

资源描述 ,opencv实例源代码里面包含的基于opencv的光流法程序和实现功能为图像平滑、图像缩小与Canny 边缘检测。三、用 DirectShow 编制的视频采集程序 。