为您找到搜索结果：9个
jeecg3.5中多数据源的配置
在spring-mvc-hibernate.xml这个配置文件中增加一个数据源，如：123456789101112131415161718192021222324252627282930313233343536373839404142434445<!-- 配置数据源-测试 --> <bean name="dataSource_test" class="com.alibaba.druid.pool.DruidDataSource" init-method="init" destroy-method="close"> <property name="url" va...
ORM框架-VB/C#.Net实体代码生成工具(EntitysCodeGenerate)【ECG】4.5
摘要：VB/C#.Net实体代码生成工具(EntitysCodeGenerate)【ECG】是一款专门为.Net数据库程序开发量身定做的(ORM框架)代码生成工具，所生成的程序代码基于OO、ADO.NET、分层架构、ORM及反射+工厂设计模式等。支持.Net1.1及以上版本，可用于Oracle、SqlServer、Sybase、DB2、MySQL、Access、SQLite、PostgreSQL、DM(达梦)、PowerDesigner文件、Informix、Firebird、MaxDB、Excel等和OleDb、ODBC连接的数据库并可自定义，详见文档及安装文件的示例和工具的帮助文档。关键字：VB/C#.Net实体代码生成工具 实体代码生成工具 EntitysCodeGenerate预期读者：软件开发及相关人员难度等级：中当前版本：4.5 目 录1引言2内容2.1ORM框架的实现：VB/C#.Net实体代码生成工具(EntitysCodeGenerate)2.2在开发中的实际应用2.2.1单个实体对象的数据库...
吴裕雄--天生自然神经网络与深度学习实战Python+Keras+TensorFlow：去噪型编码网络
#为图像像素点增加高斯噪音noise=np.random.normal(loc=0.5,scale=0.5,size=x_train.shape)x_train_noisy=x_train+noisenoise=np.random.normal(loc=0.5,scale=0.5,size=x_test.shape)x_test_noisy=x_test+noise#添加噪音值后，像素点值可能会超过1或小于0，我们把这些值调整到[0,1]之间x_train_noisy=np.clip(x_train_noisy,0.,1.)x_test_noisy=np.clip(x_test_noisy,0.,1.)autoencoder=Model(inputs,decoder(encoder(inputs)),name='autoencoder')autoencoder.compile(loss='mse',optimizer='adam')autoencoder.fit(x_train_noisy,x_train,validation_data=(x_test_noisy,x_test),ep...
笔记：小波图像去噪
今天看了一篇关于小波图像去噪的论文，下面从里面摘出来的几段话，用以备忘和复习。。 多分辨分析与人类视觉系统有着惊人的相似。人在观察某一个目标时，设其所处的分辨率为j，观察目标所获得的信息为Vj。当走进目标时，分辨率增加到j+l，观察目标所获得的信息为Vj+1，，比分辨率j下获得的信息更加丰富，即Vj包含于Vj+1，。分辨率越高，距离越近。多分辨分析的空间关系可用图2.2进行说明，其中{Vj}j∈Z。z在{0}和L2(R)之间是相互嵌套的。j越大，相应的层时间分辨越细;j越小，相应的层时间分辨越粗。 对于二维图像信号，可以用分别在水平和垂直方向进行滤波的方法实现二维小波多分辨率分解。图2.5为经过二维离散小波变换的分解后子图像的划分。其中:(l)LL子带是由两个方向利用低通小波滤波器卷积后产生的小波系数，它是图像的近似表示。(2)HL子带是在行方向利用低通小波滤波器卷积后，再用高通小波滤波器在列方向卷积而产生的小波系数，它表示图像的水平方向奇异特性。（水平子带）(3)LH子带是在行方向利用高通小波滤波器卷积后，再用低通小波滤波器在列方向卷积而产生的小波系数，...
图像平滑去噪之高斯滤波器
高斯滤波器是根据高斯函数来选择权值的线性平滑滤波器，对随机分布和服从正态分布的噪声有很好地滤除效果。本文从opencv内置的高斯滤波函数入手，深入介绍高斯滤波器的原理与实现。 高斯分布函数指的就是概率论中的正态分布的概率密度函数，均值μ=0时的一维形式和二维形式如下。 其中σ为正态分布的标准偏差，其值决定了函数的衰减快慢。 从这两个公式不难看出，二维公式其实等于两个一维函数相乘。从概率论角度看，因为随机变量X，Y是相互独立的，那么他们的联合概率密度就等于边缘概率密度之积。这个特性是非常重要的，后面将再次提及。现在让我们先看一下高斯函数的图像分布与二维高斯卷积核的样子： 图像上，靠近原点的位置地势高，距离原点越远则地势越低。相应地，卷积核也是中心数值最大，并向四周减小，减小的幅度并不是随意的，而是要求整个卷积核近似高斯函数的图像。由于高斯滤波实质是一种加权平均滤波，为了实现平均，核还带有一个系数，例如上图中的十六分之一、八...
【版本号公布】Jeecg-P3 1.0 公布，J2EE微服务框架（插件开发）
JEECG-P31.0公布了！JEECG-P31.0是一个J2EE微服务框架（插件开发）。特点：业务组件以JAR方式提供。插件模式、松耦合、可插拔、支持独立部署，也能够无缝集成Jeecg平台中。【架构说明】1. Jeecg-P3採用SpringMvc+Minidao+Velocity+bootstrap+Maven(构建)框架技术2. 插件引入方式 pom.xml文件里，引入新开发的插件 <groupId>org.p3framework</groupId> </dependency>复制代码3. 项目启动訪问方式： 採用maven方式。启动Web项目 http://localhost/jeecg-p3-web/ {页面訪问地址}4. &nb...
python简单识别验证码去噪
验证码多种多样，我这里提供的方法仅对有噪点的验证码进行识别有效。 首先，这是我准备的原始图片4.png 具体的实现代码importtesserocrfromPILimportImage,ImageDrawimporttime#image=Image.open("img/4_1.png")#fh=open("img/1.txt","w")#w,h=image.size#图片转文本，测试用#foriinrange(h):#forjinrange(w):#cl=image.getpixel((j,i))#clall=cl[0]+cl[1]+cl[2]##clall==0即当前像素为黑色#ifclall==0:#fh.write("0")#else:#fh.write("1")#fh.write("")#fh.close()#将图片转为黑白二色defblack_white(image):w,h=image.sizeforiinrange(h):forjinrange(w):cl=image.getpixel((j,i))clall=cl[0]+cl[1]+cl[...