索膜结构在一定的温度和恒定外力作用下会产生变形随时间增长而逐渐增大的现象,即蠕变现象,影响结 构的使用价值,因而对索膜结构的蠕变性能的研究是至关重要的 。文章利用描述粘弹性蠕变行为的 Burgers四元件 模型来模拟索膜结构的蠕变性能,推导出蠕变影响的有限元方程 。同时,还利用 ANSYS软件对索膜结构进行蠕变分 析,得出了蠕变第一阶段曲线,为研究蠕变影响的应力应变分析提供了科学依据 。

isodata的matlab代码博客reitna-segmentation 视网膜图像分割提取血管复杂结构 详情见： 用法：运行 mainDemo.m 步骤 1：从文件夹“retina_images\1.tif”读取 matlab 工作区中的视网膜图像。 步骤 2：将分割算法应用于输入的视网膜图像。 ISODATA算法用于从视网膜图像中分割血管。 使用迭代 isodata 方法的 ISODATA 计算全局图像阈值。 LEVEL = ISODATA(I) 计算可用于将强度图像转换为具有 IM2BW 的二值图像的全局阈值 (LEVEL)。 LEVEL 是一个归一化的强度值，位于 [0, 1] 范围内。 这种选择阈值的迭代技术是由 Ridler 和 Calvard 开发的。 视网膜分割图像： 步骤 3：加载真实图像（label_images/1.tif）以比较分割算法的结果。 现在我们有两个图像。 即一个是ground truth，另一个是分割结果。 为了比较算法的性能，我们计算了“真视网膜”和“假视网膜”以及“真背景”和“假背景”。 以下代码部分显示了上述参数的计算 number_of_p

虹膜定位中分析了前人的一些算法，又结合人眼图像的灰度几何特性和二值 形态学图像处理等理论提出了新的虹膜定位方法；虹膜特征提取算法中，研究了 Daugman、Boles等对虹膜纹理的量化和编码，提出了基于虹膜图像细分的灰度直 方图特征提取和编码算法。

单点+滑膜.zip

此代码从 Placido 环图像构建曲率地形。 该实现使用了 Julián Espinosa、David Mas、Jorge Pérez 和 Ana Belén Roig 的论文“商业视频角膜成像仪的开放访问操作算法和角膜采样的改进”中的许多概念。 目前，这是一个非常原始的实现，不足以处理损坏的普拉西多环图像。 这需要在未来修复。

matlab代码影响视网膜血管病变 视网膜血管检查在糖尿病的诊断中起着重要的作用，在西方国家，糖尿病是导致失明的主要原因。 该检查采用光学诊断方法，通过获取眼球的数字图像而不会侵犯或伤害人体。 剩下的任务是将视网膜血管与数字图像分开。 即使对于训练有素的专家来说，这都是耗时且充满挑战的。 引入了机器学习方法以使分离过程自动化，从而提高检查过程的效率。 在本报告中，我们结合了图像处理和机器学习方法探索了视网膜血管分离过程。 图像预处理用于减少原始眼球图像中的噪点。 机器学习算法用于构造分类器，该分类器利用专家的手绘视网膜血管作为训练标签，以有效地将血管与背景分离。 实现了K最近邻（K-NN）和支持向量机（SVM），并使用改进的K-NN方法来改善结果。 使用K-NN方法中距离的不同定义来发现眼球图像不同特征的重要性。 通过将算法分类的标签与专家的手绘图像进行比较，可以估算出误差。 K-NN是通过使用在课堂上学到的知识而自编码的Matlab程序，并且SVM在理论层面上得到了理解，并通过PyML（基于python的机器学习包）来实现。 两种方法的错误率均为6％左右。 与SVM相比，K-NN产生

内容概要：CASIA-Iris-Thousand包含来自1,000名受试者的20,000幅虹膜图像。 适合人群：非常适合研究虹膜特征的独特性，从而开发出新的虹膜分类和索引方法。 作用：庞大的数据量足以支撑一般的虹膜相关性研究。

% n1=1.2 n0=1; n2=1.5; n1=1.2; langmuda=400*10^(-9); h=0:0.0001*langmuda/1.2:langmuda/1.2; x=n1*h; j0=0; j1=asin(n0*sin(j0)/n1); f=4*pi*n1*h*cos(j1)/langmuda; a=n0-n2; b=n0+n2; c=((n0.*n2)./n1)-n1; d=((n0.*n2)./n1)+n1; A=a^2*(cos(f/2).^2)+c^2*(sin(f/2).^2); B=b^2*(cos(f/2).^2)+d^2*(sin(f/2).^2); R=A./B; plot(x,R,'-r'); hold on; %n1=1 n0=1; n2=1.5; n1=1; langmuda=400*10^(-9); h=0:0.0001*langmuda:langmuda; x=n1*h; j0=0; j1=asin(n0*sin(j0)/n1); f=4*pi*n1*h*cos(j1)./langmuda; a=n0-n2; b=n0+n2; c=((n0.*n2)./n1)-n1; d=((n0.*n2)./n1)+n1; A=a.^2.*(cos(f./2).^2)+c.^2.*(sin(f./2).^2); B=b.^2.*(cos(f./2).^2)+d.^2.*(sin(f./2).^2); R=A./B; plot(x,R,'-k'); hold on;

纳米孔阵列的透射增强现象在许多领域都具有重要的应用和前景。采用时域有限差分(FDTD)方法对金属薄膜纳米孔阵列的透射增强特性进行了模拟研究。针对圆孔半径、薄膜厚度、阵列周期以及不同材料等因素进行了分析，讨论了不同参数条件下透射增强谱线的变化规律。研究表明大的圆孔半径和薄的薄膜厚度有利于提高透射性能，另外孔阵列周期较大时不利于增强透射。探讨了不同小孔形状对透射增强的影响，并采用矩形孔阵列进行了对比。最后通过改变薄膜材料计算了相应的透射性能。

【图像分割】视网膜图像分割【含Matlab源码 382期】.zip