搜索资源列表
psjs
- 普适计算这一新型的计算模式建立在分布式计算、通信网络、移动计算、 嵌入式系统、 传感器以及等技术的飞速发展和日益成熟的基础上，它体现了信息空间与物理 空间的融合的-Pervasive Computing this new computing model based on distributed computing, communications network, mobile computing, Embedded systems, sensor technology and the
下一代互联网2020(word)
- 和世界其他地区一样，欧洲意识到互联网在驱动社会经济发展中的作用越来越大。在过去短短的几年时间里，互联网已经使欧洲各方面发生了巨大改变。到了2009年，没有业务能在缺乏网络的情况下有效进行。许多欧洲企业在运用互联网方面走的更远，他们从根本上改变了自己做生意的方式，充分利用在线渠道来生产产品。个人生活方面，每个欧洲人，不管是年轻的还是年长的，都充分享受到社交网络带来的机遇和乐趣。我们通过网络工作，通过网络购物，通过网络学习，通过网络娱乐，甚至在网络中创建社区。而且这其中的一些服务已经搬到了移动设备上
ERDAS9.1_Crack
- 作为全球遥感图像处理系统的领头羊ERDAS IMAGINE于2006年下半年推出了其最新的9.1版本，这是ERDAS系统又一重大进展。它创新性地提出了“企业级”遥感图像处理概念，将图像处理与空间数据管理融合成一体，构成完整的客户/服务器结构的工作流，为您的应用带来全新的体验。-ERDAS9.1_Crack
05582198
- 在这篇文章中，我们提出用一种全新的方法即前景后景分离（FBS）结构法来解释极化合成孔径雷达（极化SAR）图像。这种FBS结构法在像素上考虑了空间关系并融合了成对差异分组法的优点，FBS法可以将特定的目标和对象从背景中分离出来，这在解译系统中是必不可少的。可结合多种FBS操作来解译极化SAR图像并灵活地融合各种固有特征的极化SAR数据。几组极化SAR数据将被用来验证提出的方法。-In this article, we propose a new method that prospects King
23222
- 本文主要介绍了常用的遥感图像算法，然后从数学角度分析融合图像产生光谱失真的原因，并探讨融合图像在空间分辨率增强与光谱信息保持二者之间的关系，最后针对多光谱图像的成像特性，分别提出了基于区域特性的多光谱与全色图像的融合算法及SAR与全色图像的融合算法，并且介绍了基于区域特性的遥感图像融合最新动态及其发展趋势。-This paper describes the algorithm used for remote sensing image, and then fused image from a m
zijichangshimbianyige
- 以多光谱数据为原始数据，通过空间变换、滤波、融合、纹理及图像处理等手段，提取遥感图像多维、多尺度特征，最终建立面向目标检测、识别和分析的特征空间，并使用NASA的实测数据对方法的性能进行验证和分析。-Multi-spectral data to the original data, through space conversion, filtering tools, integration, texture and image processing, remote sensing images
multiscale
- 按照二维函数的特点和视觉机制,提出了用来捕捉纹理基元的纹理检测器函数,基于纹理检测器和扩展的小波变换,提出了基于能量分解的影像纹理多尺度分析方法,并按照神经动力学的侧抑制和端点抑制等理论,实现了对多尺度纹理特征的融合，这一多尺度分析方法直接将影像纹理能量在时间一尺度空间分解,包含了相位信息,避免了基于线性变换多尺度分解引起的能量与相位分离,为纹理分析提供了一个层次性的框架,有效提高了纹理的识别能力。-According to the characteristics of two-dimensio
asdc
- 面是我写的 NSCT-PCNN 图像融合程序，论文见： 屈小波, 闫敬文, 肖弘智, 朱自谦.非降采样Contourlet域内空间频率激励的PCNN图像融合算法
reconstraction
- 基于数据融合的多变量时间序列的相空间重构的方法-Method for reconstructing phase space of multivariate time series based on data fusion
结合双模多尺度 ＣＮＮ 特征及自适应深度ＫＥＬＭ 的浮选工况识别
- 针对可见光图像特征驱动的浮选工况识别方法的不足，提出一种基于双模态图像多尺度 ＣＮＮ 特征及自适应深度自编码核极限学习机（Ｋｅｒｎｅｌ Ｅｘｔｒｅｍｅ Ｌｅａｒｎｉｎｇ Ｍａｃｈｉｎｅ，ＫＥＬＭ）的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解，设计双通道 ＣＮＮ 网络对双模态多尺度图像进行特征提取及融合，将多个双隐层自编码极限学习机串联成深度学习网络对 ＣＮＮ 特征逐层抽象提取，然后通过核极限学习机映射到更高维空间进行决策，最后改进量子细菌觅食算法并应用于深度自编码