数字转换成k,w单位

function unitNumber(number) {
    return number >= 1e3 && number < 1e4 ? (number / 1e3).toFixed(1) + 'k' : number >= 1e4 ? (number / 1e4).toFixed(1) + 'w' : number 
}
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
1、 完课本习题 3.2(a)(b), 课本中文版《处理》第二版的 113 页。可以通过 matlab 帮助你分析理解。 (a) S=T(r)= Ε (m/r) + 1 1 2、一幅 8 灰度级图像具有如下所示的直方图,求直方图均衡后的灰度级和对应概率,并画出均衡后的直方图的 示意图。 (图中的 8 个不同灰度级对应的归一化直方图为[0.17 0.25 0.21 0.16 0.07 0.08 0.04 0.02]) 由公式可知,变换函数的离散形式为 k=0,1,2,3…L-1 所以 S0=0.17 S1=S0+0.25=0.42 S2=S1+0.21=0.63 S3=S2+0.16=0.79 S4=S3+0.07=0.86 S5=S4+0.08=0.94 S6=S5+0.04=0.98 S7=S6+0.02=1 因为输出图像的灰度级是等间隔的,同时该图像具有 8 个灰度级 1/7,2/7,3/7,4/7,5/7,6/7,1 对之前求得的 Sk 进行修正 S0=1/7 S1=3/7 S2=4/7 S3=6/7 S4=6/7 S5=1 S6=1 S7=1 最后的灰度级仅有 5 个结果 S0=1/7 S1=3/7 S2=4/7 S3=6/7 S4=1 与此相对应的概率为 PS(s0)=0.17 PS(s1)=0.25 PS(s2)=0.21 PS(s3)=0.23 PS(s4)=0.14 3. (选做题)课本习题 3.6。对于离散的情况,用 matlab 进行一下实验。 一样。直方图均衡化的结果一次到达极限。 对于离散的情况,设 n 为图像中像素的总和, k n 1 为输入图像中灰度级为 k r 的像素的个数。 所以,直方图均衡化的转换公式为: k j k k j k k k n n n n r T s 0 = 1 0 = 1 1 = / = ) ( = 由于输入图像中灰度级为 k r 的像素被映射到输出图像灰度级为 k s 的对应像素得到,所以 k k n n 2 1 = 那么,在第二次均衡化的过程中,转换函数为 k j k k k n n s T v 0 = 2 1 = ) ( = 所以,两次转换过程 k k v n = ,既结果相同。 4. 4 完课本数字图像处理第二版 114 页,习题 3.10。 对于作图, r r dw w dw w p r T s r r r 2 ) 2 2 - ( ) ( ) ( 2 0 0 1 对于右图, 2 0 0 2 2 ) ( ) ( z wdw dw w p z T v z z z 所以, 2 2 r r z 4.请围绕本周课堂讲授的内容编写至少一道习题,并给出自己的分析解答。题目形式可以是填空题、选择题、判断 对错题、计算题、证明题。发挥你的创造力吧。 利用 matlab 绘制幂次变换在不同 γ 下的曲线,并分析图像产生差异的原因和不同取值对变换结果产 幂次曲线中的 γ 的部分之吧输入的窄带暗值映射到宽带输出值上,相反,输入高值也对应立。随着 γ 取值的变 化,我们能够得到一组变换曲线,c= γ =1 时为正比变换, γ >1 时图像偏暗, γ <1 时图像偏亮。 γ >1 时,从图中我 们可以看到输出灰度级大部分被压缩在较低的水平上, γ <1 时,从图中我们可以看到输出灰度级大部分被压缩在 较高的水平上。 2、 请计算如下两个向量与矩阵的卷积计算结果。 (1) [ 1 2 3 4 5 4 3 2 1] *[ 2 0 -2] 设向量 x1=[1 2 3 4 5 4 3 2 1 ],向量 x2=[2 0 -2],添加下划线的元素设定为 0 位置 x1 1 2 3 4 5 4 3 2 1 -x2 -2 0 2 ————————————————————————————————————— 2 4 6 8 10 8 6 4 2 -2 -4 -6 -8 -10 -8 -6 -4 -2 —————————————————————————————————————————— -2 -4 -4 -4 -4 0 4 4 4 4 2 所以卷积结果为:2 4 4 4 4 0 -4 -4 -4 -4 -2 (2) [ 1 0 1 2 0 2 1 0 1 ] [ 1 3 2 0 4 1 0 3 2 3 0 4 1 0 5 2 3 2 1 4 3 1 0 4 2] = 设题目给定的两个矩阵分别为 d 和 e,大小分别为 3x3 和 5x5,卷积结果为一个 7x7 的矩阵 根据卷积公式, ) , ( ) , ( 1 ) , ( * ) , ( 1 0 1 0 n y m x h n m f MN y x h y x f M m N n F(-3,-3)=e(-2,-2)d(-1,-1)=-1 F(-3,-2)=e(
k均值聚类是一种常用的无监督学习算法,可以用于聚类分析。在手写数字识别中,我们可以将每个数字的像素点看作一个特征向量,然后通过k均值聚类将相似的数字分为一组,从而实现手写数字的识别。 以下是基于Python的k均值聚类手写数字识别的示例代码: ```python import numpy as np from sklearn.cluster import KMeans from sklearn.datasets import load_digits from sklearn.decomposition import PCA import matplotlib.pyplot as plt # 加载数据 digits = load_digits() data = digits.data target = digits.target # 只选取前两个主分作为特征 pca = PCA(n_components=2) data = pca.fit_transform(data) # k均值聚类 kmeans = KMeans(n_clusters=10, random_state=0) kmeans.fit(data) # 可视化聚类结果 colors = ['b', 'g', 'r', 'c', 'm', 'y', 'k', 'w', 'orange', 'purple'] for i in range(len(data)): plt.scatter(data[i, 0], data[i, 1], c=colors[kmeans.labels_[i]]) plt.show() # 计算聚类准确率 cluster_labels = np.zeros_like(target) for i in range(10): mask = (kmeans.labels_ == i) cluster_labels[mask] = np.bincount(target[mask]).argmax() accuracy = np.mean(cluster_labels == target) print('聚类准确率:%.2f%%' % (accuracy * 100)) ``` 这段代码主要分为以下几个步骤: 1. 加载数据:使用sklearn库中的load_digits函数加载手写数字数据集。 2. 特征提取:使用PCA将每个数字的像素点转换为前两个主分,作为特征向量。 3. k均值聚类:使用sklearn库中的KMeans函数对特征向量进行聚类。 4. 可视化聚类结果:将聚类结果可视化展示。 5. 计算聚类准确率:将每个聚类簇中的数字标签取众数作为该簇的标签,然后计算聚类准确率。 注意,这里的聚类准确率并不是像监督学习那样的分类准确率,而是通过将每个聚类簇中的数字标签取众数得到的准确率。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值