该 Matlab 代码包实现了基于方向三次卷积插值的图像插值算法,该算法已在以下论文中进行了描述: D. Zhou、X. Shen 和 W. Dong, 使用定向三次卷积插值的图像缩放, IET 图像处理,卷。 6,第 6 期,第 627-634 页,2012 年。 这个包包括3个功能: DCC.m - 核心算法Calc_MSE_SNR.m - 计算 MSE、SNR 和 PSNR testDCC.m - 核心算法的测试函数 它还包括2折。 折叠的original_images包括纸张中使用的所有原始图像,折叠的result_images用于保存结果图像。 更多信息请联系:zdw@ncepu.edu.cn
2022-05-01 18:01:50 3.54MB matlab
1
安全技术-网络信息-试论网络服务提供者侵犯著作权.pdf
2022-04-29 21:00:27 2.23MB 文档资料 安全 网络
Django misc是包含一组实用程序、装饰器、模板标签的模块,每个人在项目中至少使用一次。 所以在这里它们都在一个应用程序中,它将增长为 Django 聚合所有有用的实用程序。 内容 json_response json_template 上下文处理器有用的常量 视图实用程序 服务器错误 装饰器 to_template 或 render_to HttpResponseReload str_to_class get_alphabets 管理工具 基本命令 句柄锁 同步站点 创建应用程序 HTML 实用程序 贡献 执照 快速概览 在这里你会发现: 一对装饰器,比如 render_to 和 receive 用于简化 json 工作的 json_encode 模块 一些有用的模板标签,如 set、filter、get 等 一些额外的实用程序 Bbcode 模板标签 为社
2022-04-28 15:33:20 30KB Python
1
pb11.5编写的webservice 使用了DATAWINDOW 提供服务返回XML;通过NET vs2008 调用 PB webservice 读取库数据及入库 完整源码 带库结构。对PB WEBSERVICE开发方面有很大的帮助。
2022-04-28 12:03:04 60KB pb11.5 webservice 提供 vs2008
1
matlab-wsn-code:用于wsn的MATLAB WSN代码在两个节点(源节点和目标节点)之间找到一条最短路径,并开始发送数据,直到涉及路由死亡的一个节点死亡为止。 一旦一个节点死亡,它将搜索另一条路径并重新开始发送,直到涉及路由的节点死于无能量等等,直到网络在源节点与目标节点之间没有更多连接为止。 免费提供代码以帮助ppl,并向其他程序员提供帮助(如果需要)-此代码在matlab R2019A中有效(2019年11月制造)
2022-04-28 12:02:36 4KB 系统开源
1
安全技术-网络信息-论网络服务提供者的间接责任.pdf
2022-04-28 09:00:06 2.44MB 安全 网络 文档资料
计算机颜色参数大全。小应用程序可在windows平台运行,提供了超过百种的颜色参数,并配有一个调色板,可调出任意颜色,方便使用。
2022-04-27 19:00:51 31.27MB windows 颜色参数大全
基于5G+AI的交通视频融合感知及数字孪生解决方案提供商
2022-04-27 17:04:07 8.88MB 提供
Python中的开源,隐式3D结构地质建模。 概述 是一个基于Python的开源库。 基于潜在的强大隐式表示方法,它能够构建折叠结构,断层网络和不整合面的复杂3D地质模型。 安装 我们通过PyPi软件包服务提供了GemPy的最新发行版。 我们强烈建议您使用PyPi, $ pip install gempy 因为它将自动安装所有必需的依赖项-在Windows中需要额外一步。 Windows没有预安装gcc编译器。 获得与theano兼容的编译器的最简单方法是使用theano conda安装。 因此,该过程将如下所示: $ conda install theano $ pip install gempy 有关更多信息,请参阅。 资源 安装后,您可以查看笔记本教程或视频介绍以开始使用。 请访问文档站点以获取更多信息,并享受教程和示例。 如有疑问和支持,请使用讨论。 如果您发现错
2022-04-27 13:19:21 27MB python theano interpolation modeling
1
基于BP神经网络的手写数字识别仿真提供手写数字数据库,matlab2021a测试仿真 k=rand(1,numberpclass*class); [m,n]=sort(k); ntraindata=4500; ntestdata=500; train_data=ann_data(:,n(1:ntraindata)); test_data=ann_data(:,n(ntraindata+1:numberpclass*class)); train_label=ann_label(:,n(1:ntraindata)); test_label=ann_label(:,n(ntraindata+1:numberpclass*class));