根据在线心电信号自动分析系统的实时性要求，提出了一种基于现场可编程门阵列的QRS波检测解决方案和硬件结构。该方案采用离散小波变换（DWT）算法结合阈值检测算法进行特征点提取，克服了传统算法受噪声、基漂、杂波等影响的缺点，逻辑简单，适合硬件实现。
上传时间： 2013-10-16
上传用户：
介绍了基于Xilinx Spartan- 3E FPGA XC3S250E 来完成分辨率为738×575 的PAL 制数字视频信号到800×600 的VGA 格式转换的实现方法。关键词: 图像放大; PAL; VGA; FPGA 目前, 绝大多数监控系统中采用的高解析度摄像机均由47 万像素的CCD 图像传感器采集图像, 经DSP 处理后输出的PAL 制数字视频信号不能直接在VGA 显示器上显示, 而在许多场合需要在VGA 显示器上实时监视, 这就需要将隔行PAL 制数字视频转换为逐行视频并提高帧频, 再将每帧图像放大到800×600 或1 024×768。常用的图像放大的方法有很多种, 如最临近赋值法、双线性插值法、样条插值法等[ 1] 。由于要对图像进行实时显示, 本文采用一种近似的双线性插值方法对图像进行放大。随着微电子技术及其制造工艺的发展, 可编程逻辑器件的逻辑门密度有了很大提高, 现场可编程逻辑门阵列( FPGA) 有着逻辑资源丰富和可重复以及系统配置的灵活性, 同时随着微处理器、专用逻辑器件以及DSP 算法以IP Core 的形式嵌入到FPGA 中[ 2] , FPGA 的功能越来越强, 因此FPGA 在现代电子系统设计中发挥着越来越重要的作用。本课题的设计就是采用VHDL 描述, 基于FPGA 来实现的。
上传时间： 2014-02-22
上传用户：a1054751988
文中首先介绍了雷达测距的两种常用方法，通过分析，调频连续波（FMCW）雷达更具有优势，然后阐述了调频连续波（FMCW）雷达测距系统的基本组成原理，再后本文论述了测频中最常用的FFT算法。接着分析研究了由此衍生出的距离谱，根据距离谱本文重点论述了其估计算法，说明了距离谱最大采样点法的问题，提出距离谱最大值二分估值法，又经过进一步改进得到距离谱最大值的拟合法。通过计算机仿真的结果确定距离谱最大值的拟合法提高了测距的精度。
上传时间： 2013-11-20
上传用户：zhangzhenyu
结合已有的基于MPEG视频流的行车障碍检测算法，在原有基础上加入检测匹配模板，对易造成误判的噪声及影响正常检测的非危险区域都有较好的处理效果。通过统计分析及经验验证，分析得出在直行、转弯及上下坡3种路况及不同车速下车辆正常安全行驶时的检测阈值T。该方法能结合实际，运算量小，实验结果较好。
上传时间： 2013-10-19
上传用户：agent
针对三维视觉测量中棋盘格标定板的角点检测，给出了基于单应性矩阵这一计算机视觉重要工具为基础的检测方法。首先通过点选得到待测角点外接四边形的4个角点坐标，接着利用单应性矩阵映射得到所有角点的初始位置，最后综合内插值法、Harris算子、Forstner算子、SVD方法等方法对所有角点进一步精确定位。实验表明，该方法对棋盘格角点位置检测效果好，能够满足实际应用要求。
上传时间： 2013-11-23
上传用户：zhichenglu
为了设计一种实时高效、稳定可靠的图像目标跟踪系统平台，避免因图像边缘提取效果差而引起跟踪失败，采用自适应Canny边缘检测算法。该自适应算法能够很好的确定平滑参数以及高、低两个阈值，更好的获得图像边缘图。经Canny算法处理图像目标后，获得目标的单像素边缘图，根据边缘图计算得到目标质心。利用最小二乘法拟合出目标的运动轨迹，同时可根据时间间隔预测出目标质心的下一位置，控制伺服机构，实现目标跟踪。实验表明，采用Canny算法的目标跟踪系统，能够满足实时跟踪的需要。
上传时间： 2013-11-03
上传用户：testAPP
提出了一种在RGB颜色空间中颜色距离定义的方式，并根据颜色距离，用Roberts梯度算子得到颜色距离直方图，确定图像边缘信息的阈值。通过Roberts算子，使用此阈值得到图像的边缘信息。这种方式，充分考虑了图像中的颜色信息，与灰度图的处理方式相比，减少了计算量，提高了具有相似亮度的不同颜色之间边缘信息的提取成功率。
上传时间： 2013-11-19
上传用户：懒龙1988
图像处理，dhist 算法求阈值
标签： 图像处理
上传时间： 2014-11-27
上传用户：ikemada
一个用vb编写指纹识别程序，它通过二值化图象，计算阈值和统计黑像素值来识别
上传时间： 2013-12-24
上传用户：ls530720646
Hopfield 网——擅长于联想记忆与解迷路 实现H网联想记忆的关键，是使被记忆的模式样本对应网络能量函数的极小值。 设有M个N维记忆模式，通过对网络N个神经元之间连接权 wij 和N个输出阈值θj的设计，使得: 这M个记忆模式所对应的网络状态正好是网络能量函数的M个极小值。 比较困难，目前还没有一个适应任意形式的记忆模式的有效、通用的设计方法。 H网的算法 1）学习模式——决定权重 想要记忆的模式，用-1和1的2值表示 模式：-1，-1，1，-1，1，1，... 一般表示： 则任意两个神经元j、i间的权重： wij=∑ap(i)ap(j)，p=1…p； P：模式的总数 ap(s)：第p个模式的第s个要素（-1或1） wij：第j个神经元与第i个神经元间的权重 i = j时，wij=0，即各神经元的输出不直接返回自身。 2)想起模式： 神经元输出值的初始化 想起时，一般是未知的输入。设xi(0)为未知模式的第i个要素（-1或1） 将xi(0)作为相对应的神经元的初始值，其中，0意味t=0。 反复部分：对各神经元，计算： xi (t+1) = f (∑wijxj（t）-θi), j=1…n, j≠i n—神经元总数 f（）--Sgn（） θi—神经元i发火阈值 反复进行，直到各个神经元的输出不再变化。
上传时间： 2015-03-16
上传用户：JasonC
