OpenCV3编程入门

OpenCV3版-OpenCV3编程入门例程源代码（95个）.zip

OpenCV3版-OpenCV3编程入门例程源代码（95个主线示例程序）

OpenCV3编程入门书本配套源代码.zip

源代码

学习Opencv3的配套源代码

学习Opencv3的配套源代码，有需要的同学可以下载

opencv3源码包

opencv 3源码包，虽然opencv官网有的下载，如果需要有需要大家可以参考

opencv3 编程入门

计算机视觉 opencv3编程入门 毛星云 电子工业出版社 cv

OpenCV3编程配套源代码.rar|【OpenCV3版】《OpenCV3编程入门》书本配套源代码.rar

很多例程，源码

opencv3 编程入门python代码

我自己在学习《OpenCV3编码入门》过程中编写的第6章-第11章的综合部分的python代码。python版本为3.6；初始学习时用的是opencv 3.3.1版。最近opencv更新到了3.4.0. 建议用3.4.0版本，因为3.4.0的帮助文档中新增了python调用接口说明。 由于opencv3系列版本中，SURF、ORB等算法移动到non-free模块，python安装opencv时，建议用 pip install --upgrade opencv-contrib-python。 这个命令下载的opencv带有扩展库。

OpenCV_编程简介(入门必读)

摘要： 本文旨在帮助读者快速入门OpenCV，而无需阅读冗长的参考手册。掌握了OpenCV的以下基础知识后，有需要的话再查阅相关的参考手册。 目录  [隐藏] 1 一、简介 1.1 1、OpenCV的特点 1.1.1 （1） 总体描述 1.1.2 （2） 功能 1.1.3 （3） OpenCV模块 1.2 2、有用的学习资源 1.2.1 （1） 参考手册： 1.2.2 （2） 网络资源： 1.2.3 （3） 书籍： 1.2.4 （4） 视频处理例程(在 /samples/c/): 1.2.5 （5） 图像处理例程 (在 /samples/c/): 1.3 3、OpenCV 命名规则 1.3.1 （1） 函数名: 1.3.2 （2） 矩阵数据类型: 1.3.3 （3） 图像数据类型: 1.3.4 （4） 头文件: 1.4 4、编译建议 1.4.1 （1） Linux: 1.4.2 （2） Windows: 1.5 5、C例程 2 二、GUI 指令 2.1 1、窗口管理 2.1.1 （1） 创建和定位一个新窗口: 2.1.2 （2） 载入图像: 2.1.3 （3） 显示图像: 2.1.4 （4） 关闭窗口: 2.1.5 （5） 改变窗口大小: 2.2 2、输入处理 2.2.1 （1） 处理鼠标事件: 2.2.2 （2） 处理键盘事件: 2.2.3 （3） 处理滑动条事件: 3 三、OpenCV的基本数据结构 3.1 1、图像数据结构 3.1.1 （1） IPL 图像: 3.2 2、矩阵与向量 3.2.1 （1） 矩阵: 3.2.2 （2） 一般矩阵: 3.2.3 （3） 标量: 3.3 3、其它结构类型 3.3.1 （1） 点: 3.3.2 （2） 矩形框大小（以像素为精度）: 3.3.3 （3） 矩形框的偏置和大小: 4 四、图像处理 4.1 1、图像的内存分配与释放 4.1.1 （1） 分配内存给一幅新图像: 4.1.2 （2） 释放图像: 4.1.3 （3） 复制图像: 4.1.4 （4） 设置/获取感兴趣区域ROI: 4.1.5 （5） 设置/获取感兴趣通道COI: 4.2 2、图像读写 4.2.1 （1） 从文件中读入图像: 4.2.2 （2） 保存图像: 4.3 3、访问图像像素 4.3.1 （1） 假设你要访问第k通道、第i行、第j列的像素。 4.3.2 （2） 间接访问: (通用，但效率低，可访问任意格式的图像) 4.3.3 （3） 直接访问: (效率高，但容易出错) 4.3.4 （4） 基于指针的直接访问: (简单高效) 4.3.5 （5） 基于 c++ wrapper 的直接访问: （更简单高效） 4.4 4、图像转换 4.4.1 （1） 字节型图像的灰度-彩色转换: 4.4.2 （2） 彩色图像->灰度图像: 4.4.3 （3） 不同彩色空间之间的转换: 4.5 5、绘图指令 4.5.1 （1） 绘制矩形: 4.5.2 （2） 绘制圆形: 4.5.3 （3） 绘制线段: 4.5.4 （4） 绘制一组线段: 4.5.5 （5） 绘制一组填充颜色的多边形: 4.5.6 （6） 文本标注: 5 五、矩阵处理 5.1 1、矩阵的内存分配与释放 5.1.1 （1） 总体上: 5.1.2 （2） 为新矩阵分配内存: 5.1.3 （3） 释放矩阵内存: 5.1.4 （4） 复制矩阵: 5.1.5 （5） 初始化矩阵: 5.1.6 （6） 初始化矩阵为单位矩阵: 5.2 2、访问矩阵元素 5.2.1 （1） 假设需要访问一个2D浮点型矩阵的第（i, j）个单元. 5.2.2 （2） 间接访问: 5.2.3 （3） 直接访问（假设矩阵数据按4字节行对齐）: 5.2.4 （4） 直接访问（当数据的行对齐可能存在间隙时 possible alignment gaps）: 5.2.5 （5） 对于初始化后的矩阵进行直接访问: 5.3 3、矩阵/向量运算 5.3.1 （1） 矩阵之间的运算: 5.3.2 （2） 矩阵之间的元素级运算: 5.3.3 （3） 向量乘积: 5.3.4 （4） 单一矩阵的运算: 5.3.5 （5） 非齐次线性方程求解: 5.3.6 （6） 特征值与特征向量 (矩阵为方阵): 6 六、视频处理 6.1 1、从视频流中捕捉一帧画面 6.1.1 （1） OpenCV 支持从摄像头或视频文件（AVI格式）中捕捉帧画面. 6.1.2 （2） 初始化一个摄像头捕捉器: 6.1.3 （3） 初始化一个视频文件捕捉器: 6.1.4 （4） 捕捉一帧画面: 6.1.5 （5） 释放视频流捕捉器: 6.2 2、获取/设置视频流信息 6.2.1 （1） 获取视频流设备信息:

学习OpenCV(中文版)pdf及随书源码

包含中文版的学习OpenCV的pdf，还有随书一起的源代码 11

学习OpenCV(中文版)随书源码

学习OpenCV(中文版)随书源码,计算机视觉领域。本书由自由开源OpenCV的发起人所著，介绍了计算机视觉，并通过实例演示了如何快速生成这样的应用——能使计算机“看到”并根据由此获取的数据做出决策。

opencv3源码

opencv3源码，可用cmake对其进行编译，并配置到vs各版本

openCV3编程源代码下载地址

openCV3编程源代码下载地址

Opencv3编程案例详解源码

Opencv3编程案例详解源码 可用 代码带注释

完整车牌号识别程序，可以识别车牌和颜色，可以集成到项目中 支持win7+

基于.Net开发车牌号识别程序，通过控制台输出结果，可以通过启动参数传入地址，集成到项目中。 使用介绍：https://blog.csdn.net/billyyi/article/details/138597795

ChatGPT教程（终极版）最全整理

这是一篇动了某些人利益的良心教程。 这是一篇姗姗来迟的ChatGPT教程。 纯小白关于ChatGPT入门，你看我这篇文章就够了。 如果你已经用上了ChatGPT，更要恭喜你挖到宝藏，后面的高级技巧一定能让你有收获。 文章包含以下内容： 一、ChatGPT是啥？有什么用； 二、ChatGPT如何注册； 三、ChatGPT使用方法； 四、用ChatGPT搞钱； 五、高级技巧；

博客中Kmeans以及FCM算法数据（免积分）

博客中Kmeans以及FCM算法的数据，包括IRIS鸢尾花数据集、Wine葡萄酒数据集、Seed小麦种子数据集、glass数据集、WDBD乳腺癌数据集，下载在直接存入项目文件夹即可，如果下载不了，可以私信我，看到后会及时回复。

神经网络回归预测--气温数据集

神经网络回归预测--气温数据集

hugging face的models-openai-clip-vit-large-patch14文件夹

用于无法访问hugging face并需要运行stable-diffusion-webui时使用

XGBoost+LightGBM+LSTM-光伏发电量预测

包含比赛代码、数据、训练后的神经网络模型等。 在分析光伏发电原理的基础上，论证了辐照度、光伏板工作温度等影响光伏输出功率的因素，通过实时监测的光伏板运行状态参数和气象参数建立预测模型，预估光伏电站瞬时发电量，根据光伏电站DCS系统提供的实际发电量数据进行对比分析，验证模型的实际应用价值。 1 数据探索与数据预处理 1.1 赛题回顾 1.2 数据探索性分析与异常值处理 1.3 相关性分析 2 特征工程 2.1 光伏发电领域特征 2.2 高阶环境特征 3 模型构建与调试 3.1 预测模型整体结构 3.2 基于LightGBM与XGBoost的构建与调试 3.3 基于LSTM的模型构建与调试 3.4 模型融合与总结 4 总结与展望 参考文献

Mathwork+Matlab+编程手册

Introduction to Programming with MATLAB ~ Vanderbilt University

中文短信数据集-带标签

本数据集可用于进行文本分类、信息检索等自然语言处理实验，共包含80万条短信。其中：原始数据集data.txt每行为1条短信，格式为“标签\t短信内容”，标签=0表示正常短信，标签=1表示垃圾短信。train.csv和test.csv为拆分后的训练集与测试集，拆分代码为train_test_split.py。stopwords.txt为使用的停用词。 基于该数据集的文本分类详见文章https://blog.csdn.net/baidu_40395808/article/details/135793836，基于该数据集的信息检索详见文章https://blog.csdn.net/baidu_40395808/article/details/135897480。 示例如下： 0 商业秘密的秘密性那是维系其商业价值和垄断地位的前提条件之一 1 《依林美容》三．八．女人节倾情大放送活动开始啦！！！！超值套餐等你拿，活动时间x月x日一x月xx日， 详情进店咨询。美丽热线x

时间序列预测模型实战案例(Xgboost)(Python)(机器学习)包括时间序列预测和时间序列分类，点击即可运行！

内容概要 资源包括三部分(时间序列预测部分和时间序列分类部分和所需的测试数据集全部包含在内) 在本次实战案例中，我们将使用Xgboost算法进行时间序列预测。Xgboost是一种强大的梯度提升树算法，适用于各种机器学习任务，它最初主要用于解决分类问题，在此基础上也可以应用于时间序列预测。 时间序列预测是通过分析过去的数据模式来预测未来的数值趋势。它在许多领域中都有广泛的应用，包括金融、天气预报、股票市场等。我们将使用Python编程语言来实现这个案例。 其中包括模型训练部分和保存部分，可以将模型保存到本地，一旦我们完成了模型的训练，我们可以使用它来进行预测。我们将选择合适的输入特征，并根据模型的预测结果来生成未来的数值序列。最后，我们会将预测结果与实际观测值进行对比，评估模型的准确性和性能。 适合人群：时间序列预测的学习者,机器学习的学习者， 能学到什么：本模型能够让你对机器学习和时间序列预测有一个清楚的了解，其中还包括数据分析部分和特征工程的代码操作 阅读建议：大家可以仔细阅读代码部分，其中包括每一步的注释帮助读者进行理解，其中涉及到的知识有数据分析部分和特征工程的代码操作。

Stable-Diffusion WEBUI 简体中文语言包（2023.05.30更新）

AI绘图，Stable-Diffusion WEBUI，本地化（简体中文）语言文件。 原始文件来自翻译插件，根据自己实际使用情况，增加和修改了一些翻译。 配合【双语插件】看上去要自然一点，内容还在继续完善中。 本次增加了一些翻译内容，特别是插件。 同时继续合并了其它翻译插件的内容。 最近文字提示修改得有点多啊。 请放入“你的SDWebUI项目位置/localizations/”中。 中文翻译部分删掉了不少括起来的英文原文，所以别直接选它用。 请配合【Bilingual Localization】插件使用，双语同时显示，效果最好。

亚博K210模型训练部署

亚博K210模型训练部署

Plecs电力电子仿真PLECS41.64 电力系统仿真软件免安装版本

超级容易学习的电力电子仿真软件。 PLECS是一个用于电路和控制结合的多功能仿真软件，尤其适用于电力电子和传动系统。 对于仿真Buck电路，Boost电路，单相整流电路，单相逆变电路，三相整流电路，三相逆变电路，LLC电路等都能够完美实现。并且能够直接使用C语言进行编程仿真，让代码直接写完以后完整运行到控制板中。 Plecs主要解决了Matlab Simulink仿真速度很慢，学习过程复杂和困难等问题。 Plexim在电力电子仿真领域处于世界领先地位。首要软件产品PLECS可以协助用户加快产品开发和创新流程。其优势来源于先进的编程技术，以及融合了非常规建模概念的仿真算法。通过认真听取工程师的需求和建议，我们能够为客户的今天和未来提供满意的解决方案。 从2002年开始，PLECS已经在众多工业领域成为电力电子仿真的标准。典型应用涵盖新能源，车辆电子，航空航天，工业及牵引驱动等。

机器学习期末复习题及答案

机器学习期末复习题及答案

Ollama+WebUI+AnythingLLM构建个人/企业知识库

对于企业来说，需要考虑信息安全，企业私有的知识库显然不能利用公域的大模型。那么搭建一套基于本地大模型的个人/企业知识库。Ollama可以帮助你在本地搭建知识库，替代chatgpt

基于鲸鱼优化算法优化VMD参数试看效果代码(目标函数为样本熵)

1.采用鲸鱼算法优化VMD分解层数和惩罚系数的MATLAB代码，目标函数根据样本熵计算。直接运行，可以换数据。 2.核心算法加密，有需要请在CSDN联系作者。

机器学习算法Python实现-线性回归，逻辑回归，BP神经网络

机器学习算法Python实现——线性回归，逻辑回归，BP神经网络 机器学习算法Python实现 一、线性回归 1、代价函数 2、梯度下降算法 3、均值归一化 4、最终运行结果 5、使用scikit-learn库中的线性模型实现 二、逻辑回归 1、代价函数 2、梯度 3、正则化 4、S型函数（即） 5、映射为多项式 6、使用的优化方法 7、运行结果 8、使用scikit-learn库中的逻辑回归模型实现 逻辑回归_手写数字识别_OneVsAll 1、随机显示100个数字 2、OneVsAll 3、手写数字识别 4、预测 5、运行结果 6、使用scikit-learn库中的逻辑回归模型实现 三、BP神经网络 1、神经网络model 2、代价函数 3、正则化 4、反向传播BP 5、BP可以求梯度的原因 6、梯度检查 7、权重的随机初始化 8、预测 9、输出结果 四、SVM支持向量机 1、代价函数 2、Large Margin 3、SVM Kernel（核函数） 4、使用中的模型代码 5、运行结果 五、K-Means聚类算法 1、聚类过程 2、目标函数 3、聚类中心的选择 4、聚类个数K的选择

改进版的yolov5+双目测距

新版本代码特点：（注意目前只适用于2560*720分辨率的双目，其他分辨率需要修改) 1、替换“回”字形查找改为“米”字形查找，可以设置存储像素点的个数20可修改，然后取有效像素点的中位数（个人觉得比平均值更有代表性）。 2、每10帧（约1/3秒）双目匹配一次，提升代码的运行速度。 3、可以进行实时检测，运行速度与机器的性能有关。