- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
LMS波束形成
LMS自适应波束形成器 % 标量阵最小均方准则(LMS)自适应波束形成器(ADBF) close all; Sound_velocity=1200; %声速 Frequency=300; %信号频率 ******************************* % 阵元接收信号 Pr=P+P_int+P_noise; Pr=hilbert(P’);%复信号 Pr=Pr’; % LMS波束形成 abs(wphase’)).^2); end y=y/max(y); figure; plot(0:179,10log10(y),‘r’);xlabel(‘方位角(度)’);title(‘波束形成输出
89510编辑于 2022-07-02 - 来自专栏全栈程序员必看
语音_波束形成
博客目的：构架语音波束形成的知识体系和资料汇总 1.基本概念 1.1 全向（omnidirectional）与指向（sensitivity）的概念 理想的全向麦克
40020编辑于 2022-07-04 - 来自专栏深度学习
【计算机视觉】二、图像形成——实验：2D变换编辑（Pygame）
一、向量和矩阵的基本运算 【计算机视觉】二、图像形成：1、向量和矩阵的基本运算：线性变换与齐次坐标 二、几何基元和变换 1、几何基元(Geometric Primitives) 几何基元是计算机图形学中最基本的图形对象 2、几何变换(Geometric Transformations) 【计算机视觉】二、图像形成：2、几何基元和几何变换：2D变换 2D变换编辑器 0. 可以通过点击相应的按钮选择要执行的变换操作,然后使用鼠标拖动来调整变换的参数,实时查看变换后的图像效果。 运行Python文件,将会弹出一个888x888的窗口,显示原始图像和一排按钮。 点击任意一个按钮,选择相应的变换操作。 变换后的图像将显示在原始图像的右侧。 窗口上方会显示当前选择的变换类型。 要退出程序,请关闭窗口或按下键盘上的"Esc"键。 1.
39210编辑于 2024-07-30 《数字图像处理》实验7-图像特征提取
title('G通道', 'FontSize', 12); subplot(3,3,6); imshow(B); title('B通道', 'FontSize', 12); subplot(3,3,7) 、灰度变化最剧烈的区域； 应用场景：适用于图像匹配、目标识别（如物体追踪、图像拼接）。 '请选择要分析的图像文件'); % 处理文件选择（取消则使用默认图像） if isequal(fname, 0) || isequal(pname, 0) fprintf('用户取消了文件选择 ，使用默认示例图像... 通过本次实验，系统掌握了五大类图像特征的提取方法，理解了不同特征的核心优势与适用场景，为后续计算机视觉高级应用（如图像分类、目标检测）奠定了基础。
13810编辑于 2026-01-21- 来自专栏AIoT技术交流、分享
LabVIEW图像灰度测量（基础篇—7）
像素灰度是图像最为典型的特征之一，基于图像像素灰度能衍生更多的图像特征，包括图像的直方图、线灰度分布曲线、图像线灰度均值、ROl边界灰度曲线、灰度定量描述以及图像结构相似度等，如下图所示： ? 拓展学习：https://handsome-man.blog.csdn.net/article/details/116572729 在机器视觉领域，图像灰度特征可用于实现目标的存在性检测和基于灰度的模式匹配 在进行目标的存在性检测时，机器视觉系统会不断计算并监测指定ROI范围内的图像灰度量化指标是否在设定的范围内，若指标超限，则认为所检测的目标不存在。 基于灰度的模式匹配，可以计算图像中的灰度或梯度，并从中寻找可与模板图像匹配的特征。 在牙线生产过程中，常会出现牙线未安装或牙线断裂的情况。为了能剔除此类次品，可监测安装牙线区域的图像灰度均值及标准差。 通过一个基于图像灰度特征进行牙线检测的实例程序，了解其使用方法。 该实例使用了字符串状态机结构，包括程序初始化、基于标准样本设置ROI、更新测量坐标系、产品检
77130发布于 2021-08-10 - 来自专栏深度学习
【计算机视觉】二、图像形成：2、几何基元和几何变换：2D变换
一、向量和矩阵的基本运算 【计算机视觉】二、图像形成：1、向量和矩阵的基本运算：线性变换与齐次坐标 二、几何基元和变换 1、几何基元(Geometric Primitives) 几何基元是计算机图形学中最基本的图形对象
91410编辑于 2024-07-30 - 来自专栏HZFEStudio
BFC 的形成和作用
各自创建了 BFC 的兄弟元素互不影响（注：在水平方向上多个浮动元素加一个或零个触发 BFC 的元素可以形成多列布局）。
48311发布于 2021-09-13 - 来自专栏信数据得永生
OpenCV 图像处理学习手册：6~7
捕获的图像可以传输到开发计算机，并用于创建 HDR 图像。 注意 从 iOS 7 开始，本机相机应用具有 HDR 模式，可自动快速捕获三幅图像，每幅图像具有不同的曝光度。 这些图像也会自动组合为单个（有时更好）的图像。 创建 HDR 图像 我们如何将多张（例如三张）曝光图像合成为 HDR 图像？ 甚至还有一个名为hdr_imaging的教程示例，该示例从图像文件中读取图像文件和曝光时间列表，并创建 HDR 图像。 seamlessClone函数获取源图像，目标图像和遮罩图像以及目标图像中将插入裁剪对象的点（可以从这个页面）。 Intel SDK：此 SDK 在 Intel Core 处理器和 Intel HD GPU（例如 Intel + SSE4.1，SSE4.2 或 AVX，Intel Core i7，i5 和 i3（
2.1K30编辑于 2023-04-27 - 来自专栏计算摄影学
7. 图像处理的应用-运动滤波
在前面的章节中，我讲了很多图像变换中的基本操作：图像滤波，包括空域滤波和频域的滤波。今天来给大家分享一个非常有意思的图像滤波的应用：运动滤波。 这里我们会看到计算摄影中图像的像素操作的新奇的应用，而且由于今天所讲述的操作对象是视频，因此我还会学习到图像的时域操作。 植物生长的原始视频 联想到我们之前学过的图像滤波的知识，你会怎么做来去除这些短期的晃动呢？我想你肯定想到了之前提到的一些图像滤波技术，例如高斯滤波，或者Box滤波。 naive的时域滤波带来的问题 也有人提出，对图像的特征点进行跟踪，观察它在每一帧的变换，获取到图像每个局部的变换模式，并利用这种模式进行平滑。 这种方法能得到远好于最基础的时域图像滤波技术处理的视频。 ?
1.2K21发布于 2020-04-17 - 来自专栏深度学习
【计算机视觉】二、图像形成——实验：2D变换编辑器2.0（Pygame）
一、向量和矩阵的基本运算 【计算机视觉】二、图像形成：1、向量和矩阵的基本运算：线性变换与齐次坐标 二、几何基元和变换 1、几何基元(Geometric Primitives) 几何基元是计算机图形学中最基本的图形对象 2、几何变换(Geometric Transformations) 【计算机视觉】二、图像形成：2、几何基元和几何变换：2D变换 2D变换编辑器 【计算机视觉】二、图像形成——实验：2D变换编辑器（Pygame 在第二层界面中，绘制原始图像和后七个按钮。 在第三层界面中，绘制原始图像、变换后的图像、后七个按钮和选择的变换操作文本。 .png") if file_path: pygame.image.save(self.transformed_img, file_path) 7. 效果展示 选择图像 图像操作 保存图像
41510编辑于 2024-07-30 - 来自专栏全栈程序员必看
波束形成的一点思考
1） 波束形成，就是空域滤波。N个阵元，在某一时刻使用FPGA同时采样，得到同一时刻的各个通道的一个采样，就如同拍照一样，同一时刻的各个通道数据得到。 波束形成，则是空域滤波，与时域滤波相比较，是时间域序列，进行滤波，滤波系数h(n)，采样序列不断输入与滤波系数卷积计算，得到响应输出； 而波束形成，则是针对某一时刻，不同阵元，通过一个空域滤波系数
48210编辑于 2022-09-10 《数字图像处理》第7章：小波变换和其他图像变换
欢迎来到《数字图像处理》第7章的实战解析。本章聚焦于小波变换和其他图像变换，这是图像处理的核心工具之一。 (8), np.arange(8)) # 0-7的斜坡 print("\n原始8x8图像块:\n", original_block) # DCT变换（手动使用基图像） dct_coeffs = np.zeros 重建图像 img_rec = idct2(dct_compressed) # 7. （效率低于DCT） 【与DCT对比】 DCT: 压缩率高，JPEG标准 WHT: 计算快，适合实时系统 """) # ==================== 7. 第7章。 2.Mallat, S. (1999).
51921编辑于 2026-01-21- 来自专栏分布式｜微服务｜性能优化｜并发编程｜源码分析
13.Elasticsearch如何形成集群
discovery.zen.minimum_master_nodes 参数是旧版本 Elasticsearch 中用于配置最小主节点数的参数，从 Elasticsearch 7.x 开始已经被弃用，取而代之的是 不过，从 Elasticsearch 7.x 开始，多播发现已经被弃用。
36410编辑于 2024-04-24 - 来自专栏强化学习专栏
阵列波束形成与维纳滤波
文章分类在通信领域笔记： 通信领域笔记（7）---《阵列波束形成与维纳滤波》 阵列波束形成与维纳滤波 一、阵列波束形成基础知识 波束形成是维纳滤波器理论在空间阵列信号处理中的应用形式 阵列波束形成的示意图如图 1 所示。 波束形成的基本思想就是将各阵元的输出信号进行加权求和，使阵列波束在期望方向上形成峰值，在干扰方向上形成零点。 二、维纳滤波与波束形成 一个天线阵列可以用来接收单个信号，也可以用来接收多个信号，即多波束形成。 三、MVDR 波束形成器 MVDR 波束形成器即最小方差无畸变响应波束形成器(minimum variance distortionless response)，也称作 Capon 波束形成器 MVDR 波束形成器能够自适应地抑制干扰，并且同传统的波束形成器相比具 有更高的空间分辨率，因此得到很广泛的应用。下面我们考查一下 MVDR 波束形成器和维纳滤波之间的联系。
56311编辑于 2024-12-03 - 来自专栏jiajia_deng
多态形成的三要素
最后我们总结一下，多态形成的三个条件： 是父类中有虚函数。 子类 override(覆写)父类中的虚函数。 通过己被子类对象赋值的父类指针，调用共用接口。
43120编辑于 2023-10-20 - 来自专栏全栈程序员必看
麦克风阵列波束形成
波束形成 beamforming 体现的是声源信号的空域选择性，许多传统波束形成方法具有线性处理结构；波束形成需要考虑三个方面： 1.麦克风阵列个数； 2.性能； 3.鲁棒性 在麦克风较少时，波束形成的空域选择性差 常见波束形成的准则如最大信噪比准则&#x 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/147866.html原文链接：https://javaforall.cn
1.3K20编辑于 2022-07-02 - 来自专栏SDNLAB
Overlay网络是如何形成的？
那么Overlay网络是如何形成的？与Underlay 有哪些区别？又试图解决什么问题？ Virtualization over Layer 3）标准技术之一，采用L2 over L4（MAC-in-UDP）的报文封装模式，将二层报文用三层协议进行封装，可实现二层网络在三层范围内进行扩展，将“二层域”突破规模限制形成 那么Overlay网络又是如何形成的呢？ Overlay网络是如何形成的？ Overlay是基于软件的，不依赖于传输，它就像物理网络之上的虚拟网络。
1.4K20编辑于 2022-07-19 - 来自专栏石开之旅
图像处理笔记（7）---- OpenCV 绘制无填充矩形
,(0,255,0),1) else: cv.circle(img,(x,y),abs(x-ix),(0,0,255),1) #创建一个黑色的图像 ),(x,y),(0,255,0),1) else: cv.circle(img,(x,y),5,(0,0,255),-1) #创建一个黑色的图像
1.2K20发布于 2020-09-21 - 来自专栏Base_CDNKevin
ELF文件从形成到加载轮廓
ELF从形成到加载轮廓 ELF 文件形成可执行文件 ELF（Executable and Linkable Format）文件是 Linux 系统中编译和链接的核心格式。 根据 Section 的属性（如可读、可写、可执行）和逻辑关系，合并这些 Section，形成连续的内存布局。 ELF 可执行文件加载 当生成的 ELF 可执行文件加载到内存中时，操作系统会根据其结构完成对ELF中不同的Section的合并，形成segment。 空间分配：需要加载时申请内存空间，合并后形成连续的内存区域。 Magic（魔数 7f 45 4c 46），每个二进制文件都有，随机，系统可以通过magic标识文件为 ELF 格式，防止误解析。
1.7K11编辑于 2025-03-08 - 来自专栏测试开发囤货
06 埋点测试之体系形成
保障体系形成 我们形成了一套埋点保障体系框架，如下图，在以后的埋点测试中我们会更加得心应手！ ? 关注「测试开发囤货」公众号回复「编程」，送你一本全彩 Python 编程电子书。
92840发布于 2021-08-11
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号