基于GIS的地下水流可视化多尺度数值模拟系统，贺新光，陈丽娟，有限体积多尺度有限元法（FVMsFEM）是一种新近提出的能有效求解非均质多孔介质中地下水流问题的多尺度数值方法。运用该方法模拟大�

基于MATLAB编程，基于多尺度融合的布匹瑕疵检验，代码完整，包含数据，有注释，方便扩展应用 1，如有疑问，不会运行，可以私信, 2，需要创新，或者修改可以扫描二维码联系博主, 3，本科及本科以上可以下载应用或者扩展， 4，内容不完全匹配要求或需求，可以联系博主扩展。

针对带色彩恢复的多尺度Retinex色调映射算法(MSRCR)在分离图像光照信息时未保留部分细节信息,导致结果图像出现细节提出了一种具有细节补偿和色彩恢复的多尺度Retinex色调映射算法(MSRCD)。该算法利用Retinex理论的基本原理将高动态范围图像分为反射层和光照层,先使用双边滤波从图像光照层中提取出细节信息进行补偿,然后从图像的反射层中分离出基本层信息并进行自适应调整,压缩其动态范围,最后通过色彩校正还原图像颜色。实验结果表明,与MSRCR算法及基于双边滤波的算法相比,MSRCD算法的处理结果

现有的自适应多尺度分块压缩感知算法忽略了高频信息在重建中的作用, 导致图像的边缘轮廓得不到充分重建; 并且在压缩分块过程中采用固定分块大小, 没有充分利用图像自身的稀疏性。针对上述不足, 提出一种多尺度分块的自适应采样率压缩感知算法。该算法充分利用小波变换后的高频信号和低频信号, 同时针对图像的固定尺寸分块进行改进。首先, 对低频部分利用自适应邻域特征的空域滤波算法消除块效应; 其次, 对高频部分依据纹理特征自适应选取图像块的大小, 实现样本块尺寸的自动划分和采样率的自适应; 最后, 分别对纹理信息各异的图像进行压缩重建仿真。结果表明, 本方法重建效果明显优于已有的自适应采样率算法。

matlab裂隙检测源码裂纹检测器 ############################################### #####################################基于多维的路面裂缝检测图网络细化尺度曲线结构滤波器 （正在审查的论文） ############################################### ##################################### 1.安装。 a) 此版本是为 Matlab 解释器编写的（使用版本 R2017b 测试）并且需要 Matlab 图像处理工具箱。 由于合作企业的政策，我们无法发布源代码，并使用'.p'文件对其进行加密。 b) 由于大地距离变换和种子拓扑分水岭变换用于生成过完备的潜在裂缝路径，因此需要以下两个工具箱： Dirk-Jan Kroon 的精确快速行进工具箱。 它可以在以下位置下载： 种子拓扑分水岭变换需要 DIPimage 工具箱。 它可以在以下位置下载： 2.入门。 请务必仔细按照上述安装说明进行操作。 请参阅“Demo.m”以运行演示并获取基本使

针对拓片得到的文字图像具有模糊细节多、效果差等特征,以及传统算法对其边缘检测的精度不高，根据拓片文字边缘独立于尺度传播的特性，提出了一种基于二进小波变换的拓片文字图像边缘提取和增强算法。首先用二进小波对拓片文字图像进行多尺度分解，再结合小波变换模值跨尺度传递的不同特性，进行多尺度下的图像边缘提取、增强和细化。实验表明，该算法克服了传统算法的不足，弱化了单尺度下噪声抑制与边缘细节提取精度之间的矛盾，从而具有更好的实用性。

在本文中，我们提出了一种新颖的基于轮廓的形状描述符，称为多尺度距离矩阵（MDM），以捕获形状几何图形，同时不影响平移，旋转，缩放和双边对称性。 该描述符进一步与降维相结合，以提高其判别能力。 所提出的方法避免了在大多数先前的形状识别算法中使用的费时的逐点匹配。 因此，它速度快，适合实时应用。 我们通过在两个数据集上进行实验，将提出的方法应用于计划叶子识别的任务：瑞典叶子数据集和ICL叶子数据集。 实验结果清楚地证明了提出的描述符的有效性和效率。

针对局部二值模式（local binary pattern，LBP）描述信息单一以及对噪声敏感的问题，提出一种多尺度自适应阈值局部三值模式（multi-scale adaptive local ternary pattern，MSALTP）编码算法。MSALTP首先将原始图像放大；其次将图像平均划分成几个区域，并计算像素的均值；然后计算每个区域中心像素与均值的偏差；最后提取ALTP特征，将结果统计特征直方图实现图像分类。实验表明提出的算法识别率比目前较好的抗噪声算法在不同的噪声下识别率有较大提高。

传统目标检测模型采用人工设计的目标特征，造成检测精度较差。基于深度学习的目标检测模型具有较高的检测精度，然而针对实时性和精度要求比较高的煤矿救援机器人应用场合，获取的图像信息较少且目标特征不明显，造成目标检测效果较差。为提高目标检测精度和速度，基于YOLO V3模型提出了一种多尺度特征融合的煤矿救援机器人目标检测模型。该模型主要包括特征提取和特征融合2个模块：特征提取模块采用空洞瓶颈和多尺度卷积获得更加丰富的图像特征信息，增强目标特征表达能力，提高了目标分类精度和检测速度；特征融合模块在特征金字塔中引入空间注意力机制，对含有丰富语义信息的高层特征图和含有丰富位置信息的低层特征图进行有效融合，弥补了高层特征图位置信息表达能力不足的缺点，提高了目标定位精度。将该模型部署在煤矿救援机器人嵌入式NVIDIA Jetson TX2平台上进行灾后环境目标检测实验，检测精度为88.73%，检测速度为28帧/s，满足煤矿救援机器人目标检测的实时性和精度需求。

MGU网 GCN辅助的多尺度两阶段网络在OCP图像中对视网膜层和椎间盘进行联合分割 代号 该代码即将推出。 结果 结果即将到来。 引文 如果您使用此代码进行研究，请考虑引用以下文章： 接触 如有任何疑问，请联系