- 综合排序
- 最热优先
- 最新优先
- 来自专栏刷题笔记
7-9 人以群分 (25 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/99688626 7-9 人以群分 (25 分) 社交网络中我们给每个人定义了一个“活跃度”
77420发布于 2019-11-08 - 来自专栏yuyy.info技术专栏
【笔记】Operator课程(7-9)
Indexer缓存k8s资源对象，并提供便捷的方式查询。例如获取某个namespace下的所有资源
43020编辑于 2023-04-12 - 来自专栏刷题笔记
7-9 最长对称子串
本文链接：https://blog.csdn.net/shiliang97/article/details/96307903 7-9 最长对称子串 对给定的字符串，本题要求你输出最长对称子串的长度。
78130发布于 2019-11-08 - 来自专栏后端开发从入门到入魔
7-9 JAVA-水仙花数
水仙花数是指一个N位正整数（7≥N≥3），它的每个位上的数字的N次幂之和等于它本身。例如：153=13+53+33。 要求编写程序，计算所有N位水仙花数。
45610编辑于 2024-03-01 - 来自专栏刷题笔记
【未完成】7-9 目录树 (30 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/102727548 7-9 目录树 (30 分) 在ZIP归档文件中，保留着所有压缩文件和目录的相对路径和名称
74710发布于 2019-11-07 - 来自专栏AI机器学习与深度学习算法
机器学习入门 7-9 人脸识别与特征脸
在人脸识别任务中，X样本矩阵的每一行都是一个人脸图像，如果把Wk的每一行也看成是样本的话，Wk的每一行也可以相应的理解成人脸，因为此时原来的样本矩阵和Wk的列维度是一样的，因此对于X来说每一行表示一个n 维度特征的人脸图像，对于拥有相同列维度的Wk来说，每一行也表示成一个n维度特征的人脸图像，此时这个人脸图像称之为特征脸。 如果以图像的形式输出，有三个维度： 第一个维度是样本总数，也称为样本维度； 第二个维度是图像的长； 第三个维度是图像的宽； 上面打印输出的(13233, 62, 47)，表达的含义就是13233个 (62, 47)的图像像素矩阵。 此时得到的faces2中，一共有8个人，其中的每一个人在人脸数据集中所拥有的人脸图像数大于等于60。使用这种人脸图片足够的数据集进行人脸识别相对来说就比较靠谱。
1.4K20发布于 2019-11-23 - 来自专栏yuyy.info技术专栏
《代码整洁之道》笔记（7-9章节）
多个条件分支记录错误信息，可以封装进一个方法，在记录异常信息的地方抛出异常，并给出相应信息。在该方法外部捕获，记录异常信息。异常处理和正常业务流程隔离。
61410编辑于 2022-06-28 - 来自专栏ReganYue's Blog
【PTA】7-9 递归实现逆序输出整数 (15point(s))
本题目要求读入1个正整数n，然后编写递归函数reverse(int n)实现将该正整数逆序输出。
1.5K10发布于 2021-09-16 - 来自专栏刷题笔记
【2020HBU天梯赛训练】7-9 天梯赛座位分配
7-9 天梯赛座位分配 天梯赛每年有大量参赛队员，要保证同一所学校的所有队员都不能相邻，分配座位就成为一件比较麻烦的事情。
86310发布于 2020-06-23 - 来自专栏刷题笔记
【未完成】7-9 电路布线 (30 分)15分
本文链接：https://blog.csdn.net/shiliang97/article/details/101473534 7-9 电路布线 (30 分) 在解决电路布线问题时，一种很常用的方法就是在布线区域叠上一个网格
44820发布于 2019-11-08 - 来自专栏IT技术圈（CSDN）
2017年天梯赛大区赛题集 7-9 人以群分
7-9 人以群分 社交网络中我们给每个人定义了一个“活跃度”，现希望根据这个指标把人群分为两大类，即外向型（outgoing，即活跃度高的）和内向型（introverted，即活跃度低的）。
41920发布于 2020-09-15 - 来自专栏Debian中国
CPU 漏洞补丁对内核性能影响：4.15 比 4.11 快 7-9%
根据Google+博文显示，最近发布的Linux Kernel 4.15的速度要比4.11快7-9%；在激活内核页表隔离（KPTI）情况下速度仅比4.11慢了1-2%。 ?
65720发布于 2018-12-21 - 来自专栏码客
iOS开发常用的图片大小
项目中Icon Spotlight-iOS 5,6 29 x2 x3 Spotlight-iOS 7-9 40 x2 x3 App-iOS 7-9 60 x2 x3 项目中LaunchImage Retina HD 5.5 1242 x 2208 Retina HD 4.7 750 x 1334 Landscape Retina HD 5.5 2208 x 1242 iOS 7-9 2x 640 x 960 iOS 7-9 Retina4 640 x 1136 提交AppStore－Icon 1024 x 1024 提交AppStore－预览图 5.5英寸 1242 x 2208 4.7英寸 750 切出来的资源是@3x的 再缩小1.5倍就是@2x的 这样做是因为现在iPhone6和iPhone6P的用户已经很多了，同时也为了降低切图的难度 切图神器 推荐一个切图的神器 PhotoshopCC新功能 生成图像资源
1.8K10发布于 2019-10-22 - 来自专栏Python和安全那些事
六.图像缩放、图像旋转、图像翻转与图像平移
该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各种算法，包括图像锐化算子、图像增强技术、图像分割等，后期结合深度学习研究图像识别、 前一篇文章介绍Python调用OpenCV实现图像融合、图像加减法、图像逻辑运算和类型转换。这篇文章将详细讲解图像缩放、图像旋转、图像翻转、图像平移。 希望文章对您有所帮助，如果有不足之处，还请海涵~ 一.图像缩放 二.图像旋转 三.图像翻转 四.图像平移 该系列在github所有源代码： https://github.com/eastmountyxz 同样，可以获取原始图像像素再乘以缩放系数进行图像变换，代码如下所示。 ，具体内容包括： 一.图像缩放 二.图像旋转 三.图像翻转 四.图像平移 源代码下载地址，记得帮忙点star和关注喔！
7.2K10编辑于 2021-12-02 - 来自专栏居士说AI
【图像篇】OpenCV图像处理(七)---图像平移VS图像旋转
前言 在上期的文章(【图像篇】OpenCV图像处理(六)---图像混合VS按位运算)中,我们学习了图像混合的实际操作，其实就是图像按照不同权重的叠加，今天我们继续来学习别的图像处理知识点-图像平移VS 图像旋转。 图像平移 一、图像平移简介 简单的说图像平移就是对图像像素进行操作，从而实现图像左右上下平移的功能，其实图像平移也是属于仿射变换的一种，我们接着往下看。 ，第二个是图像平移的信息（左移，上移等等），第三个就是图像原始的宽度和高度。 1.1 效果展示 图像旋转 二、图像旋转 图像旋转顾名思义就是将图像按照一个对称点进行某个度数的旋转，可以使顺时针，也可以是逆时针，下面来看看实战吧。
2K20编辑于 2022-06-01 - 来自专栏ISP图像处理相关
图像处理-图像增强
图像增强前期知识 图像增强是图像模式识别中非常重要的图像预处理过程。 图像增强的目的是通过对图像中的信息进行处理，使得有利于模式识别的信息得到增强，不利于模式识别的信息被抑制，扩大图像中不同物体特征之间的差别，为图像的信息提取及其识别奠定良好的基础。 一幅输入图像经过灰度变换后将产生一幅新的输出图像，由输入像素点的灰度值决定相应的输出像素点的灰度值。灰度变换不会改变图像内的空间关系。图像的几何变换是图像处理中的另一种基本变换。 它通常包括图像的平移、图像的镜像变换、图像的缩放和图像的旋转。通过图像的几何变换可以实现图像的最基本的坐标变换及缩放功能。 相应地，对图像的低频部分进行增强可以对图像进行平滑处理，一般用于图像的噪声消除。 3、频域增强 图像的空域增强一般只是对数字图像进行局部增强，而图像的频域增强可以对图像进行全局增强。
7.5K21编辑于 2022-01-14 - 来自专栏ISP图像处理相关
图像处理-图像滤波
| |||| 滤波模板 图像滤波 模板： 线性平均滤波： 1|0 1 0 | -|1 1 1 | 5|0 1 0 | 图像锐化 模板： 锐化滤波：图像锐化一般是通过微分运算来实现的 |-1 0 1 补零是指通过在图像边界外围补零来扩展图像； 重复是指在图像边界外围通过复制外边界的值来扩展图像； 对称是指在图像边界外围通过镜像反射外边界的值来扩展图像； 循环是在图像边界外围指将图像看成二维周期函数的一个周期来扩展 其中： f:待滤波图像 w:滤波模板 option1, option2:可选项 可选项分为： （1） 边界项：遍历处理边界元素时，需要提前在图像边界周围补充元素 参数：`X`--表示具体的数字，默认用 参数: same--输出图像输入图像尺寸相同 full--输出图像与扩充边界的图像尺寸相同，即比原图大一圈 （3） 模式项：滤波过程选择 参数：corr--相关滤波过程 conv--卷积相关过程 （4 ，首先把图像通过傅里叶变换将图像从空间域转换到频率域，频域处理，反傅里叶变换转到空间域 |||| |-|-|-| |||| C++代码 均值滤波 void meanFilter (unsigned char
7K21编辑于 2022-01-14 - 来自专栏ISP图像处理相关
图像处理-图像噪声
图像噪声 噪声 加性噪声一般指热噪声、散弹噪声等，它们与信号的关系是相加，不管有没有信号，噪声都存在。 高斯白噪声包括热噪声和散粒噪声。 椒盐噪声 定义：椒盐噪声又称为双极脉冲噪声，这种噪声表现的特点是噪声像素的灰度值与邻域像素有着明显差异，而其余像素的灰度值保持不变，因此在图像中造成过亮或过暗的像素点。 椒盐噪声严重影响图像的视觉质量，给图像的边缘检测、纹理或者特征点提取等造成困难。 因为基于中值的滤波方法仅考虑图像局部区域像素点的顺序阶信息，没有充分利用像素点之间的相关性或相似性。噪声像素点的估计值可能与真实值有较大偏差，很难保持图像的细节信息。
3.3K10编辑于 2022-01-14 - 来自专栏ISP图像处理相关
图像处理-图像融合
图像融合 图像融合（Image fusion）的整体重心是对于目标源信息的信息细节的提取和整合。 收集到的信号不一定直接就能用，在进行图像融合之前，对采集到的信号进行去噪、增强、配准等预处理，可以大大提高图像的对比度以及分辨率，有助于图像融合效果的进一步提高。 4、图像融合过程。 图像融合处理过程的流程框图如下： 不同的层次所进行数据处理的要求和融合算法是不一样的，需要具体问题具体分析，通常我们将图像数据分为三层，融合过程流程图如下： 图像融合层简介： 1、基于像素级的图像融合属于最基本的图像融合技术 这一层主要是直接处理图像的单像素，因为像素级是由源场景的图像最大化描述的。像素级图像融合需要对图像进行预处理，包括图像配准、滤波和增强。 像素级图像融合的主要优点是从这一层获得的图像比其他两种图像更快、更快，显示出源和场景信息，大大提高了源图像中包含的有用和详细信息。
3.1K20编辑于 2022-01-14 - 来自专栏hadoop学习笔记
Python图像处理：图像腐蚀与图像膨胀
图像的膨胀（Dilation）和腐蚀（Erosion）是两种基本的形态学运算，主要用来寻找图像中的极大区域和极小区域。 1.图像膨胀 膨胀的运算符是“⊕”，其定义如下： 图1.jpg 该公式表示用B来对图像A进行膨胀处理，其中B是一个卷积模板或卷积核，其形状可以为正方形或圆形，通过模板B与图像A进行卷积计算，扫描图像中的每一个像素点 图像腐蚀类似于“领域被蚕食”，将图像中的高亮区域或白色部分进行缩减细化，其运行结果图比原图的高亮区域更小。 图像膨胀代码实现 1.基础理论 图像膨胀是腐蚀操作的逆操作，类似于“领域扩张”，将图像中的高亮区域或白色部分进行扩张，其运行结果图比原图的高亮区域更大，线条变粗了，主要用于去噪。 (1) 图像被腐蚀后，去除了噪声，但是会压缩图像。 (2) 对腐蚀过的图像，进行膨胀处理，可以去除噪声，并且保持原有形状。
4K20发布于 2018-11-23
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