程序(1)

目录

(一)生成一幅256*256的RGB图像，该图像左上角为绿色，左下角为红色，右上角为蓝色，右下角为黑色 (1)

(二)读入教师机发来的RGB图像，将之转换为HSI模型 (1)

(三)用邻域平均进行彩色图像空间平滑滤波，并用roberts模板进行锐化 (2)

(四)对给定的彩色图像进行分割， (2)

滤波器 (5)

（三）自写函数实现对图像的锐化操作。 5 （四）分别使用最大值、最小值和中值滤波器对图像进行处理， (5)

（五）分别使用理想和巴特沃斯高低通滤波器对图像进行滤波（高斯噪声），讨论阈值的设定和阶数的选取。 (7)

图像灰度变换 (7)

1，二值化和阈值处理 (7)

%对数变换 (8)

3，反色变换 (8)

4.灰度图像均衡化 (8)

点检测 (9)

阈值 (9)

（二）对图像加噪后分别使用MATLAB自带函数和自写函数进行平滑滤波， (11)

（三）自写函数实现对图像的锐化操作。 (12)

最大值： (12)

最小值： (13)

（五）分别使用理想和巴特沃斯高低通滤波器对图像进行滤波（高斯噪声），讨论阈值的设定和阶数的选取。 (13)

%添加和去除运协糊 (14)

PSF (14)

2、灰度直方图均衡规格化 (15)

3、图像卷积：各种模板实现低通高通滤波 (15)

图像的点运算： (17)

1、加法运算 (17)

flower 变模糊： (18)

4、减法运算 (18)

乘法运算................................................18 缩放运算.. (19)

图像翻转 (19)

彩色图像处理

(一)生成一幅256*256的RGB图像，该图像左上角为绿色，左下角为红色，右上角为蓝色，右下角为黑色

clear

rgb_R=zeros(128,128);

rgb_R(1:64,1:64)=1;

rgb_G=zeros(128,128);

rgb_G(1:64,65:128)=1;

rgb_B=zeros(128,128);

rgb_B(65:128,1:64)=1;

rgb=cat(3,rgb_R,rgb_G,rgb_B); figure, imshow(rgb), title('RGB彩色图像')

(二)读入教师机发来的RGB图像，将之转换为HSI模型

rgb=imread('LenaRGB.bmp');

hsi=rgb2hsi(rgb);

subplot(121);imshow(rgb);title('原图');

subplot(122);imshow(hsi);title(' HSI模型');

function [hsi ] = rgb2hsi(rgb ) %提取单通道分量

rgb=im2double(rgb);

r=rgb(:,:,1);

g=rgb(:,:,2);

b=rgb(:,:,3);

%实现转换

num=0.5*((r-g)+(r-b));

den=sqrt((r-g).^2+(r-b).*(g-b)); theta=acos(num./(den+eps));

H=theta;

H(b>g)=2*pi-H(b>g);

H=H/(2*pi);

num=min(min(r,g),b);

den=r+g+b;

den(den==0)=eps;

S=1-3.*num./den;

H(S==0)=0;

I=(r+g+b)/3;

%将H、S、I组合

hsi=cat(3,H,S,I);

(三)用邻域平均进行彩色图像空间平滑滤波，并用roberts模板进行锐化，结果图像排列如下图：

rgb=imread('flower.jpg');

fR=rgb(:,:,1);

fG=rgb(:,:,2);

fB=rgb(:,:,3);

w=fspecial('average');

fR_filtered=imfilter(fR,w);

fG_filtered=imfilter(fG,w);

fB_filtered=imfilter(fB,w); rgb_filtered=cat(3,fR_filtered,fG_filtered,fB_fi ltered);

subplot(3,3,1);imshow(fR);title('RGB图像R 分量');

subplot(3,3,2);imshow(fG);title('RGB图像G 分量');

subplot(3,3,3);imshow(fB);title('RGB图像B分量');

subplot(3,3,4);imshow(fR_filtered);title('R分量滤波后效果');

subplot(3,3,5);imshow(fG_filtered);title('G分量滤波后效果');

subplot(3,3,6);imshow(fB_filtered);title('B分量滤波后效果');

subplot(3,3,7);imshow(rgb);title('原始全彩色图像');

subplot(3,3,8);imshow(rgb_filtered);title('全彩色图像滤波后效果');

(四)对给定的彩色图像进行分割，效果如图：

rgb=imread('flower.jpg');

rgb1=im2double(rgb);

r=rgb1(:,:,1);

g=rgb1(:,:,2);

b=rgb1(:,:,3);

r1=r(129:256,86:170);

r1_u=mean(r1(:));

[m,n]=size(r1);

sd1=0.0;

for i=1:m

for j=1:n

sd1=sd1+(r1(i,j)-r1_u)*(r1(i,j)-r1_u);

end

end

r1_d=sqrt(sd1/(m*n));

r2=zeros(size(rgb1,1),size(rgb1,2));

ind=find((r>r1_u-1.25*r1_d)&(r

r2(ind)=1;

subplot(3,3,1);imshow(rgb);title('RGB原图像');

subplot(3,3,2);imshow(r);title('R分量'); subplot(3,3,3);imshow(g);title('G分量'); subplot(3,3,4);imshow(b);title('B分量'); subplot(3,3,5);imshow(r2);title('RGB分割结果');

图像分割与边缘检测

（二）用各梯度算子对图像进行边缘检测；

i=imread('rice1.jpg');

g=rgb2gray(i);

d=im2double(i);

subplot(131),imshow(i),title(‘原图');

[gv,t]=edge(g,'sobel',0.075,'hor izontal');%II是输入图像,Sobel是运用的方法，parameters是参数g是一个数组，t是edge用于确定参数，T是阈

值,dir(vertical)是检测的首选方向subplot(132),imshow(gv),title('水平方向');

[gv,t]=edge(g,'sobel',0.9,'horiz ontal');

subplot(133),imshow(gv),title('水平方向');

%LOG

i=imread('rice1.jpg');

g=rgb2gray(i);

d=im2double(i);

subplot(131),imshow(i),title('原图');

[gv,t]=edge(g,'log',0.005,2.25); subplot(132),imshow(gv),title('高斯拉普拉斯LOG ');

[gv,t]=edge(g,'log',0.1,2.25);%2 .25是代表标准差。默认为2

subplot(133),imshow(gv),title('高斯拉普拉斯LOG ');

%Canny边缘检测器

i=imread('rice1.jpg');

g=rgb2gray(i);

d=im2double(i);

subplot(131),imshow(i),title('原

图');

[gv,t]=edge(g,'canny',[ 0.04

0.1],1.5);% [ 0.04 0.1]是两个阈值，

1.5是平面滤波的标准差，默认值为1

subplot(132),imshow(gv),title('C anny边缘检测器');

（四）用迭代法和OSTU法对rice进行自动单阈值分割；

x=imread('Lena.bmp');

%figure;%imshow(x);

[m,n]=size(x);

N=m*n;

num=zeros(1,256);

p=zeros(1,256);

for i=1:m

for j=1:n

num(x(i,j)+1)=num(x(i,j)+1)+1;

end

end

for i=0:255;p(i+1)=num(i+1)/N;

end

totalmean=0;

for i=0:255;

totalmean=totalmean+i*p(i+1); end

maxvar=0;

for k=0:255kk=k+1;

zerosth=sum(p(1:kk));

firsth=0;

for h=0:k

firsth=firsth+h*p(h+1);

end

var=totalmean*zerosth-firsth;

var=var*var;

var=var/(zerosth*(1-zerosth)+0.0 1);

var=sqrt(var);

if(var>maxvar)

maxvar=var;

point=k;

end

end

threshold=point;

I=imread('Lena.bmp');

%I=rgb2gray(I);

I=double(I);

T=double(min(I(:))+max(I(:)))/2; done=false;

i=0;

while ~done

r1=find(I<=T);

r2=find(I>T);

Tnew=(mean(I(r1))+mean(I(r2)))/2 ;

done=abs(Tnew-T)<1;

T=Tnew;

i=i+1;

end

I(r1)=0; I(r2)=1;

disp('迭代法求得的阈值')

disp(T)

imshow(I),title('迭代法 ')

（三）利用直方图人工指定阈值对rice 进行自动单阈值分割；

I1=imread('Cameraman.bmp');

subplot(131);imshow(I1);title('原图');

I=im2bw(I1);

subplot(132);imhist(I1);title('直方图');

[m n]=size(I1);

for i=1:m

for j=1:n

if(I1(i,j)>75)

I1(i,j)=255;% 大于75，都变成背景色

else

I1(i,j)=0;

end

end

end

subplot(133);imshow(I1);title('分割以后图');

滤波器

调入给定的数字图像，并进行计算机均衡化处理，显示原图像的直方图和经过均衡化处理过的图像直方图。观察均衡化后图像和直方图的变化。结

果如图。

I1 = imread('flower.jpg');

subplot(4,3,1),imshow(I1);%显示

原图

I=rgb2gray(I1);

subplot(4,3,2),imshow(I);%将彩色图转化为灰度图

subplot(4,3,3),imhist(I,50);%每隔50隔像素点统计一次

h = histeq(I);%均衡化，，画图片的直方图

subplot(4,3,4),imshow(h);

subplot(4,3,5),imhist(h);%显示均衡化以后的图像

（二）对图像加噪后分别使用MATLAB 自带函数和自写函数进行平滑滤波，观察实验结果。

% 2平滑滤波%自带函数

I=imread('Lena.bmp');

i=imnoise(I,'salt');%加盐噪

subplot(2,2,1),imshow(i);

h=fspecial('average'); %3 *3的邻域平均模板，生成均值滤波器

y=imfilter(i,h); %对图像进行滤波

subplot(2,2,2),imshow(y);% 2平滑滤波%自写函数

I=imread('Lena.bmp');

i=imnoise(I,'salt');%加盐噪

subplot(2,2,1),imshow(i);

Inew=myMidalp(i,3); %调用函数subplot(2,2,3),imshow(Inew)

（三）自写函数实现对图像的锐化操作。

运用拉普拉斯算子梯度增强法进行图像锐化[I,map]=imread('Lena.bmp'); Subplot(1,2,1)imshow(I,map);

%map:映射

I=double(I);

[Gx,Gy]=gradient(I); % 计算梯度G=sqrt(Gx.*Gx+Gy.*Gy); % 注意是矩阵点乘

J=I;

K=find(G<=7); %查找非零元素

J(K)=25; Q=find(G>=7);

J(Q)=255;

Subplot(1,2,2),imshow(J,map);

（四）分别使用最大值、最小值和

中值滤波器对图像进行处

理，观察实验结果。

最大值：%最大值滤波器

I2=imread('flower.jpg');

I1=rgb2gray(I2);

n=2; c=2;

mask=ones(n,n);

[r1,c1]=size(I1);

subplot(2,2,1);imshow(I2);title(

'原始图像');

subplot(2,2,2);imshow(I1);title(

'灰度图像');

I1=double(I1);

I1_max=I1;

mid=floor(n/2);

for u=1:r1-n+1

for v=1:c1-n+1

A=I1(u:u+n-1,v:v+n-1);

A=A.*mask;

I1_max(u+mid,v+mid)=max(max(A)); end

end

subplot(2,2,3);imshow(I1_max(mid

+1:r1-mid,mid+1:c1-mid),[]);titl

e('最大值图像');

最小值：

%最小值滤波器

I2=imread('flower.jpg');

I1=rgb2gray(I2); n=2; c=2;

mask=ones(n,n);

[r1,c1]=size(I1);

subplot(2,2,1);imshow(I2);title(

'原始图像');

subplot(2,2,2);imshow(I1);title(

'灰度图像');

I1=double(I1);

I1_min=I1;

mid=floor(n/2); %floor:向下取

整

for u=1:r1-n+1

for v=1:c1-n+1

A=I1(u:u+n-1,v:v+n-1);

A=A.*mask;

I1_min(u+mid,v+mid)=min(min(A)); end

end

subplot(2,2,3);imshow(I1_min(mid

+1:r1-mid,mid+1:c1-mid),[]);titl

e('最小值图像');

中值：

I=imread('Lena.bmp');

noise=imnoise(I,'salt');

figure,imshow(noise);

Inew=myMidal(noise,3);

figure,imshow(Inew);

（五）分别使用理想和巴特沃斯高低通滤波器对图像进行滤波（高斯噪声），讨论阈值的设定和阶数的选取。

clc;

I=imread('Lena.bmp');%读图

F=fft2(I);%傅里叶变换，变为频域内的图newF=fftshift(F);%移频

[ M N ]=size(I);%获取图像的大小

d0=100;

%M=60;N=60;

c1=floor(M/2);%原点

c2=floor(N/2);

h1=zeros(M,N);%理想型

% h2=zeros(M,N); %巴特沃斯型

% h3=zeros(M,N); %高斯型

% sigma=4;

% n=4; %巴特沃斯阶数

for i=1:M

for j=1:N

d=sqrt((i-c1)^2+(j-c2)^2);

if d<=d0

h1(i,j)=1;%若为低通，则为

else

h1(i,j)=0;%若为低通，则为

1

end

%h2(i,j)=1/(1+(d/d0)^(2*n));

%h3(i,j)=exp(-d^2/(2*sigma^2));

end

end A=h1.*newF;%相当于Guv

B=ifft2(A);%相当于Gxy

imshow(log(abs(B)),[]);

draw2(h1,'理想型');

% draw2(h2,'巴特沃斯');

% draw2(h3,'高斯');

图像灰度变换

一些常用灰度变换Matlab程序以及图像处理效果图

1，二值化和阈值处理

%图像二值化（选取一个域值，(5) 将图像变为黑白图像）

I=imread('C:\Documents and Settings\Administrator\桌面\DIP-E1增强\DIP-E1增强\p12.tif');

bw=im2bw(I,0.5);%选取阈值为0.5 subplot(1,3,1);

imshow(I);

title('原图');

subplot(1,3,2);

imshow(bw);

title('显示二值图像');

J=find(I<150);

I(J)=0;

J=find(I>=150);

I(J)=255;

subplot(1,3,3);

imshow(I);

title(' 图像二值化 ( 域值为150 ）

');

2非线性变换

%对数变换

I=imread('C:\Documents and Settings\Administrator\桌面\DIP-E1增强\DIP-E1增强\p12.tif');

I=mat2gray(I);%对数变换不支持uint8类型数据，将一个矩阵转化为灰度图像的数据格式(double)

J=log(I+1);

subplot(1,2,1);

Imshow(I);%显示图像

title('原图');

subplot(1,2,2);

Imshow(J);

title('对数变换后的图像')

3，反色变换

I1=imread('C:\Documents and Settings\Administrator\桌面\DIP-E1增强\DIP-E1增强\p12.tif');

figure,imshow(I);

title('原始图像');

I2=imcomplement(I1);

figure,imshow(I2);

title('反色后图像'); 4.灰度图像均衡化

I=imread('C:\Documents and Settings\Administrator\桌面\DIP-E1增强\DIP-E1增强\p12.tif');

J=histeq(I);

subplot(1,2,1),imshow(I);

subplot(1,2,2),imshow(J);

figure,subplot(1,2,1),imhist(I,64);

subplot(1,2,2),imhist(J,64);

点检测

myMidal.m

function [d] = myMidal( x,n )

%x是给定的图像，n是滤波器的大小；本函数实现中值滤波

[heigth width]=size(x);

x1=double(x);

x2=x1;%x2就是原图像，模板每滑动一次，就用加权平均值修改

for i=1:width-n+1

for j=1:heigth-n+1

c=x1(i:i+n-1,j:j+n-1);%矩阵n行*n列模板，i:i+n-1是n行，c就是模板划过的区域

mm=-sum(sum(c))+9*c(1+(n-1)/2,1+(n-1)/2);%第一次求和，是按列求和。得到一个行向量，，向量的基础上都求和sum ,在i行j列中取中间值的坐标是i+(n-1)/2 ，j+(n-1)/2

% e=reshape(c,1,n*n);%将c变成向量

% mm=median(e);%取中间值

x2(i+(n-1)/2,j+(n-1)/2)=mm;%模板中间坐标，i+(n-1)/2表示行号，j+(n-1)/2是列号

end

end

x3=x2(2:height-1,2:width-1);%去掉最外面的一行一列

figure,imshow(uint8(x3));%double 是用来计算的，，uint是用来直接显示的

% T=max(max(abs(x3)));%最大梯度的矩阵,每一列求出一个最大值，得到一个行矩阵，再求一次最大值

T=20;

[m n]=size(x3);%比max小的都是0

for i=1:m

for j=1:n

if((abs(i,j))

else

x3(i,j)=0;

end

end

end d=uint8(x3);%二值图的梯度图myMidalfiler.m

clc;

I=imread('flower,jpg');

[ m n]=size(I);

figure,imshow(I);

% I=I(10:m-10,10:n-10);%截取从第10行，到m-10行

% I(60,70)=0%在60行70列加一个黑点，直接赋值为0

% imwrite(I,'flower,jpg');

newI=myMidal(I,3);

figure,imshow(newI);

阈值

I1=imread('Cameraman.bmp');

subplot(131);imshow(I1);title('原图');

I=im2bw(I1);

subplot(132);imhist(I1);title('直方图');

[m n]=size(I1);

for i=1:m

for j=1:n

if(I1(i,j)>75)

I1(i,j)=255;% 大于75，都变成背景色

else

I1(i,j)=0;

end

end

end

subplot(133);imshow(I1);title('分割以后图');

Sobel

i=imread('rice1.jpg');

g=rgb2gray(i);

d=im2double(i);

subplot(131),imshow(i),title('原图'); [gv,t]=edge(g,'sobel',0.075,'horizont al');%I是输入图像,Sobel是运用的方法，parameters是参数

%g是一个数组，t是edge用于确定参数，T 是阈值,dir(vertical)是检测的首选方向subplot(132),imshow(gv),title('水平方向');

[gv,t]=edge(g,'sobel',0.9,'horizontal ');

subplot(133),imshow(gv),title('水平方向');

%LOG

i=imread('rice1.jpg');

g=rgb2gray(i);

d=im2double(i);

subplot(131),imshow(i),title('原图'); [gv,t]=edge(g,'log',0.005,2.25); subplot(132),imshow(gv),title('高斯拉普拉斯LOG');

[gv,t]=edge(g,'log',0.1,2.25);%2.25是代表标准差。默认为2

subplot(133),imshow(gv),title('高斯拉普拉斯LOG');

%Canny

i=imread('rice1.jpg');

g=rgb2gray(i);

d=im2double(i);

subplot(131),imshow(i),title('原图'); [gv,t]=edge(g,'canny',[ 0.04

0.1],1.5);% [ 0.04 0.1]是两个阈值，1.5是平面滤波的标准差，默认值为1

subplot(132),imshow(gv),title('边缘检测器');

%（三）利用直方图人工指定阈值对rice 进行自动单阈值分割；

I1=imread('Cameraman.bmp');

subplot(131);imshow(I1);title('原图');

I=im2bw(I1); subplot(132);imhist(I1);title('直方图');

[m n]=size(I1);

for i=1:m

for j=1:n

if(I1(i,j)>75)

I1(i,j)=255;% 大于75，都变成背景色

else

I1(i,j)=0;

end

end

end

subplot(133);imshow(I1);title('分割以后图');

%（四）用迭代法和OSTU法对rice进行自动单阈值分割；

x=imread('Lena.bmp');

%figure;%imshow(x);

[m,n]=size(x);

N=m*n;

num=zeros(1,256);

p=zeros(1,256);

for i=1:m

for j=1:n

num(x(i,j)+1)=num(x(i,j)+1)+1;

end

end

for i=0:255;p(i+1)=num(i+1)/N;

end

totalmean=0;

for i=0:255;

totalmean=totalmean+i*p(i+1); end

maxvar=0;

for k=0:255kk=k+1;

zerosth=sum(p(1:kk));

firsth=0;

for h=0:k

firsth=firsth+h*p(h+1);

end

var=totalmean*zerosth-firsth;

var=var*var;

var=var/(zerosth*(1-zerosth)+0.01);

var=sqrt(var);

if(var>maxvar)

maxvar=var;

point=k;

end

end

threshold=point;

I=imread('Lena.bmp');

%I=rgb2gray(I);

I=double(I);

T=double(min(I(:))+max(I(:)))/2;

done=false;

i=0;

while ~done

r1=find(I<=T);

r2=find(I>T);

Tnew=(mean(I(r1))+mean(I(r2)))/2; done=abs(Tnew-T)<1;

T=Tnew;

i=i+1;

end

I(r1)=0;

I(r2)=1;

disp('迭代法求得的阈值')

disp(T)

imshow(I),title('迭代法 ')

图像增强

（一）调入给定的数字图像，并进

行计算机均衡化处理，显示

原图像的直方图和经过均

衡化处理过的图像直方图。

观察均衡化后图像和直方

图的变化。结果如图。 I1 = imread('flower.jpg');

subplot(4,3,1),imshow(I1);%显示

原图

I=rgb2gray(I1);

subplot(4,3,2),imshow(I);%将彩色图转化为灰度图

subplot(4,3,3),imhist(I,50);%每隔50隔像素点统计一次

h = histeq(I);%均衡化，，画图片的直方图

subplot(4,3,4),imshow(h);

subplot(4,3,5),imhist(h);%显示均衡化以后的图像

（二）对图像加噪后分别使用MATLAB 自带函数和自写函数进行平滑滤波，观察实验结果。

% 2平滑滤波%自带函数

I=imread('Lena.bmp');

i=imnoise(I,'salt');%加盐噪

subplot(2,2,1),imshow(i);

h=fspecial('average'); %3 *3的邻域平均模板，生成均值滤波器

y=imfilter(i,h); %对图像进行滤波

subplot(2,2,2),imshow(y);

% 2平滑滤波%自写函数

I=imread('Lena.bmp');

i=imnoise(I,'salt');%加盐噪

subplot(2,2,1),imshow(i);

Inew=myMidalp(i,3); %调用函数subplot(2,2,3),imshow(Inew)

（三）自写函数实现对图像的锐化操作。

运用拉普拉斯算子梯度增强法进行图像锐化[I,map]=imread('Lena.bmp'); subplot(1,2,1),imshow(I,map);

%map:映射

I=double(I);

[Gx,Gy]=gradient(I); % 计算梯度G=sqrt(Gx.*Gx+Gy.*Gy); %点（x，y）到原点的距离，注意是矩阵点乘

J=I;

K=find(G<=7); %从矩阵中找《=7的，查找非零元素

J(K)=25; Q=find(G>=7);

J(Q)=255;

subplot(1,2,2),imshow(J,map);

（五）分别使用最大值、最小值和

中值滤波器对图像进行处

理，观察实验结果。

最大值：

%最大值滤波器

I2=imread('flower.jpg');

I1=rgb2gray(I2); %转化为灰度值

n=2; c=2;

mask=ones(n,n); %建立一个n*n的矩阵，元素全部为1

[r1,c1]=size(I1); %获取图片的大小subplot(2,2,1);imshow(I2);title( '原始图像');

subplot(2,2,2);imshow(I1);title( '灰度图像');

I1=double(I1); %转化为double

I1_max=I1;

mid=floor(n/2); %floor为取整截断函数，向下取整

for u=1:r1-n+1

for v=1:c1-n+1

A=I1(u:u+n-1,v:v+n-1);

A=A.*mask;

I1_max(u+mid,v+mid)=max(max(A));

%行，列分别加上中间值，取最大值

end

end

subplot(2,2,3);imshow(I1_max(mid +1:r1-mid,mid+1:c1-mid),[]);titl e('最大值图像');%在加减后的矩阵中找到最大值

最小值：

%最小值滤波器

I2=imread('flower.jpg');

I1=rgb2gray(I2); %转化为灰度值

n=2; c=2;

mask=ones(n,n); %建立一个n*n的矩阵，元素全部为1

[r1,c1]=size(I1); %获取图片的大小subplot(2,2,1);imshow(I2);title(

'原始图像');

subplot(2,2,2);imshow(I1);title(

'灰度图像');

I1=double(I1);

I1_min=I1;

mid=floor(n/2); %floor:向下取

整 floor为取整截断函数，向下取整

for u=1:r1-n+1

for v=1:c1-n+1

A=I1(u:u+n-1,v:v+n-1);

A=A.*mask;

I1_min(u+mid,v+mid)=min(min(A)); %行，列分别加上中间值，取最小值

end

end

subplot(2,2,3);imshow(I1_min(mid

+1:r1-mid,mid+1:c1-mid),[]);titl

e('最小值图像');%在加减后的矩阵中找到

最小值%中值

I=imread('Lena.bmp');

noise=imnoise(I,'salt');%加噪声figure,imshow(noise);

Inew=myMidal(noise,3);

figure,imshow(Inew);

（五）分别使用理想和巴特沃斯高低通滤波器对图像进行滤波（高斯噪声），讨论阈值的设定和阶数的选取。

clc;

I=imread('Lena.bmp');%读图

F=fft2(I);%傅里叶变换，变为频域内的图newF=fftshift(F);%移频

[ M N ]=size(I);%获取图像的大小

d0=100;%d的值越大，越清晰

%M=60;N=60;

c1=floor(M/2);%原点

c2=floor(N/2);

h1=zeros(M,N);%理想型

% h2=zeros(M,N); %巴特沃斯型

% h3=zeros(M,N); %高斯型

% sigma=4;

% n=4; %巴特沃斯阶数

for i=1:M

for j=1:N

d=sqrt((i-c1)^2+(j-c2)^2); if d<=d0

h1(i,j)=1;%若为低通，则为0

else

h1(i,j)=0;%若为低通，则为1

end

%h2(i,j)=1/(1+(d/d0)^(2*n));

%h3(i,j)=exp(-d^2/(2*sigma^2)); end

end

A=h1.*newF;%相当于Guv

B=ifft2(A);%相当于Gxy

imshow(log(abs(B)),[]);

draw2(h1,'理想型');

% draw2(h2,'巴特沃斯');

% draw2(h3,'高斯');

%添加和去除运协糊

I=imread('testpic\PeppersRGB.bmp' ); figure(1); imshow(I);

%设置运动位移为28个像素

LEN=28;

%设置运动角度为15度

THETA=15;

%建立二维仿真线性运动滤波器PSF

PSF=fspecial('motion',LEN,THETA);

%用PSF产生退化图像

MF=imfilter(I,PSF,'circular','conv');

figure(2); imshow(MF);

% wnr_new = edgetaper(MF,PSF);

% figure,imshow(wnr_new);

%用Wiener滤波消除运动模糊的图像

wnr=deconvwnr(MF,PSF);

figure,imshow(wnr);

PSF

I = im2double(imread('testpic\cameraman.tif')); imshow(I);

title('Original Image (courtesy of MIT)');

% Simulate a motion blur.

LEN = 21;

THETA = 11;

PSF = fspecial('motion', LEN, THETA);

blurred = imfilter(I, PSF, 'conv', 'circular');

% Simulate additive noise.

noise_mean = 0;

noise_var = 0.0001;

blurred_noisy = imnoise(blurred, 'gaussian', noise_mean, noise_var);

figure, imshow(blurred_noisy),title('Simulate Blur and Noise')

% Try restoration assuming no noise. estimated_nsr = 0;

wnr2 = deconvwnr(blurred_noisy, PSF, estimated_nsr);

figure, imshow(wnr2)

title('Restoration of Blurred, Noisy Image Using NSR = 0')

%Try restoration using a better estimate

of

the noise-to-signal-power ratio.

estimated_nsr = noise_var / var(I(:))

wnr3 = deconvwnr(blurred_noisy, PSF, estimated_nsr);

figure, imshow(wnr3)

title('Restoration of Blurred, Noisy Image Using Estimated NSR');

2、灰度直方图均衡规格化

YuanTu=imread('DSCF6253.jpg');%读入原图并显示

figure(1),imshow(YuanTu),title('输入的彩色JPG图像');

PicGray=rgb2gray(YuanTu); %将原图灰度化，并显示及保存

figure(2),imshow(PicGray),title('原灰度图像'); imwrite(PicGray,'PicGray.bmp');

[m,n]=size(PicGray);

GZ=zeros(1,256);

for i=1:m

for j=1:n

GZ(PicGray(i,j)+1)=GZ(PicGray(i,j)+1)+1;

end

end

figure(3),bar(0:255,GZ,'g'),title('原个数灰度直方图'); %绘制直方图

xlabel('灰度值'),ylabel('出现个数');

PZ=zeros(1,256);

for i=1:256

PZ(i)=GZ(i)/(m*n);

end

figure(4),bar(0:255,PZ,'g'),title('原频率灰度直方图'); %绘制频率直方图

xlabel('灰度值'),ylabel('出现频率');

S1=zeros(1,256);

for i=1:256 %将原频率灰度直方图累加

for j=1:i

S1(i)=PZ(j)+S1(i);

end

end

%figure(7),bar(S1);

S2=int16((S1*255)+0.5); %新的灰度级，即将Sk归到相近级

Slast=zeros(1,256);

for i=1:256

Slast(S2(i))=PZ(i)+Slast(S2(i)); %计算现有每个灰度级出现的概率

end

figure(5),bar(0:255,Slast,'g'),title('均衡化后灰度直方图'); %绘制频率直方图

xlabel('灰度值'),ylabel('出现频率');

Jhh=PicGray; %将转换后的灰度级映射到原图中

for i=0:255

Jhh(find(PicGray==i))=S2(i+1);

end

figure(6),imshow(Jhh);

%显示均衡化后的图像

title('均衡化后图像')

imwrite(Jhh,'Last.bmp');

3、图像卷积：各种模板实现低通高通滤波****************************

最近在做控制算法实现的时候，对于其中参杂的各种差分、卷积很头疼，就在网上搜集了些资料，汇总于此，以做备忘。

在MATLAB中，可以用函数y=filter(p,d,x)实现差分方程的仿真，也可以用函数y=conv(x,h)计算卷积。

（1）即y=filter(p,d,x)用来实现差分方程，d 表示差分方程输出y的系数，p表示输入x 的系数，而x表示输入序列。输出结果长度数等于x的长度。

实现差分方程，先从简单的说起：

filter([1,2],1,[1,2,3,4,5])，实现y[k]=x[k]+2*x[k-1]

y[1]=x[1]+2*0=1 (x[1]之前状态都用0)

y[2]=x[2]+2*x[1]=2+2*1=4

（2）y=conv(x,h)是用来实现卷级的，对x 序列和h序列进行卷积，输出的结果个数等于x的长度与h的长度之和减去1。

卷积公式：z(n)=x(n)*y(n)= ∫x(m)y(n-m)dm. 程序一：以下两个程序的结果一样

（1）h = [3 2 1 -2 1 0 -4 0 3]; % impulse response

x = [1 -2 3 -4 3 2 1]; % input sequence

y = conv(h,x);

n = 0:14;

subplot(2,1,1);

stem(n,y);

xlabel('Time index n'); ylabel('Amplitude');

title('Output Obtained by Convolution'); grid;

（2）x1 = [x zeros(1,8)];

y1 = filter(h,1,x1);

subplot(2,1,2);

stem(n,y1);

xlabel('Time index n'); ylabel('Amplitude');

title('Output Generated by Filtering'); grid;

程序二：filter和conv的不同

x=[1,2,3,4,5];

h=[1,1,1];

Mn y1=conv(h,x)

y2=filter(h,1,x)

y3=filter(x,1,h)

结果：y1 = 1 3 6 9 12 9 5

y2 = 1 3 6 9 12

y3 = 1 3 6

可见：filter函数y(n)是从n=1开始，认为所有n<1都为0；而conv是从卷积公式计算，包括n<1部分。

因此filter 和conv 的结果长短不同

程序三：滤波后信号幅度的变化

num=100; %总共1000个数

x=rand(1,num); %生成0~1随机数序列

x(x>0.5)=1;

x(x<=0.5)=-1;

h1=[0.2,0.5,1,0.5,0.2];

h2=[0,0,1,0,0];

y1=filter(h1,1,x);

y2=filter(h2,1,x);

n=0:99;

subplot(2,1,1);

stem(n,y1);

subplot(2,1,2);

stem(n,y2);

MATLAB中提供了卷积运算的函数命令conv2，其语法格式为：

C = conv2(A,B)

C = conv2(A,B)返回矩阵A和B的二维卷积C。若A为ma×na的矩阵，B为mb×nb的矩阵，则C的大小为(ma+mb-1)×(na+nb-1)。

例：

A=magic(5)

A =

17 24 1 8 15

23 5 7 14 16

4 6 13 20 22

10 12 19 21 3

11 18 25 2 9

>> B=[1 2 1 ;0 2 0;3 1 3]

B =

1 2 1

0 2 0

3 1 3

>> C=conv2(A,B)

C =

17 58 66 34 32 38 15

23 85 88 35 67 76 16

55 149 117 163 159 135 67

79 78 160 161 187 129 51

23 82 153 199 205 108 75

30 68 135 168 91 84 9

33 65 126 85 104 15 27

MATLAB图像处理工具箱提供了基于卷积的图象滤波函数filter2，filter2的语法格式为：Y = filter2(h,X)

其中Y = filter2(h,X)返回图像X经算子h滤波后的结果，默认返回图像Y与输入图像X大小相同。例如：

其实filter2和conv2是等价的。MATLAB在计算filter2时先将卷积核旋转180度，再调用conv2函数进行计算。

Fspecial函数用于创建预定义的滤波算子，其语法格式为：

h = fspecial(type)

h = fspecial(type,parameters)

参数type制定算子类型，parameters指定相应的参数，具体格式为：

type='average'，为均值滤波，参数为n，代表模版尺寸，用向量表示，默认值为[3,3]。type= 'gaussian'，为高斯低通滤波器，参数有两个，n表示模版尺寸，默认值为[3,3]，sigma表示滤波器的标准差，单位为像素，默认值为0.5

4************************************

******

ordfilt2函数

在MATLAB图像处理工具箱中提供了二维统计顺序滤波函数ordfilt2函数。二维统计顺序滤波是中值滤波的推广，对于给定的n个数值｛al ,a2,...,an｝，将它们按大小顺序排列，将处于第k个位置的元素作为图像滤波输出，即序号为k的二维统计滤波。ordfilt2函数语法格式为：

Y=ordfilt2(X,order,domain)

Y=ordfilt2(X,order,domain,S)

其功能是：对图像X作顺序统计滤波，order 为滤波器输出的顺序值，domain为滤波窗口。S是与domain大小相同的矩阵，它是对应domain中非零值位置的输出偏置，这在图形形态学中是很有用的。例如：

Y=ordfilt2(X,5,ones(3,3))，相当于3×3的中值滤波

Y=ordfilt2(X,1,ones(3,3))，相当于3×3的最小值滤波

Y=ordfilt2(X,9,ones(3,3))，相当于3×3的最大值滤波

Y=ordfilt2(X,1,[0 1 0;1 0 1;0 1 0])，输出的是每个像素的东、西、南、北四个方向相邻像素灰度的最小值。

MATLAB实现图像的基本运算图像的点运算：

实验代码：

rice=imread('rice.png');

subplot(131),imshow(rice);

I=double(rice);%转换为双精度的类型

J=I*0.43+60;

rice2=uint8(J); %转换为uint8

subplot(132),imshow(rice2)

J=I*1.5-60;

rice3=uint8(J); %转换为uint8

subplot(133),imshow(rice3)

实验结果图：

1、加法运算：rice和cameraman 实验代码：

%图像加法运算

I=imread('rice.png'); imshow(I)

J=imread('cameraman.tif'); figure,imshow(J)

K=imadd(I,J);

figure,imshow(K)

K2=imadd(I,J,'uint16'); figure,imshow(K2,[]) RGB=imread('flowers.tif'); RGB2=imadd(RGB,50); imshow(RGB)

figure,imshow(RGB2)

RGB3=imadd(RGB,100); figure,imshow(RGB3)

实验结果图：

flower 变模糊：

实验代码：

RGB=imread('moon.tif');

RGB2=imadd(RGB,50);

imshow(RGB)

figure,imshow(RGB2)

RGB3=imadd(RGB,100);

figure,imshow(RGB3)

subplot(221),imshow(RGB),title('RGB');

subplot(222),imshow(RGB2),title('RGB2');

subplot(223),imshow(RGB3),title('RGB3');

实验结果图：

4、减法运算：rice去背景

实验代码：

%图像减法运算

I=imread('rice.png');

imshow(I)

background = imopen(I,strel('disk',15)); %估

计背景图像

figure, imshow(background);

I2=imsubtract(I,background); %从原始图像

中减去背景图像

figure, imshow(I2)

实验结果图：

乘法运算

实验代码：

%图像乘法运算

I=imread('moon.tif');

J=immultiply(I,1.2);

K=immultiply(I,0.5);

imshow(I)

figure,imshow(J)

figure,imshow(K)

实验结果图：

6、除法运算r ice去米粒：

实验结果图：

缩放运算

实验代码：

%缩放

clear;

close all;

img1=imread('circuit.jpg');%读取图像

img4=imresize(img1,2);% %%%%%缩放

figure,imshow(img4);

实验结果图：

图像翻转

实验代码：

I=imread('circuit.tif');

J=imrotate(I,35,'bilinear');

imshow(I);

figure,imshow(J);

实验结果图：

8、图像剪切

实验代码：

%剪切

clear;

close all;

A=imread('circuit.jpg');%读取图像

imshow(A);

B=A(30:60,120:160);

figure,imshow(B);

实验结果图：

%图像的腐蚀膨胀

a=zeros(50,50);

a(20:30,10:25)=1;

SE1=strel('ball',5,5);

a_erode=imerode(a,SE1,'same'); %erode

SE2 = strel('diamond',

7)a_erode_dilate=imdilate(a_erode,SE2

,'same'); %dilate

figure;imagesc(a)figure;imagesc(a_erode)figure

;imagesc(a_erode_dilate)

具体使用请自行查阅stel imerode 和 imdilate函数

护理程序试题

护理程序 一、A1型题（第1～61题）： 以下每一道题下面有A、B、C、D、E五个备选答案。请从中选择一个最佳答案，并在答题卡上将相应题号的相应字母所属的方框涂黑。 1.属于主观方面的健康资料是： A.血压122/80mmHg B.头昏脑胀 C.骶尾部皮肤破损1cm×2cm D.膝关节红肿、压痛 E.肌张力三级 2.以下不属于客观资料的是： A.胸口疼痛 B.呼吸困难 C.面色发绀 D.心律失常 E.血压降低 3.下列收集的资料，哪项属于客观资料 A.我头疼 B.咽部充血 C.感到头晕 D.睡眠不好，多梦 E.感到恶心 4.在护理评估中,不属于资料来源的是 A.患者 B.病历 C.病人家属 D.医生 E.护士的判断 5.收集病人资料的目的是： A.整理病案 B.对病人进行评价 C.为护理诊断提供依据 D.制定治疗计划 E.协调护患关系 6.健康的护理诊断是： A.从特定的健康问题向健康水平发展的护理诊断 B.从特定的潜在健康问题向健康水平发展的护理诊断 C.从特定的可能健康问题向健康水平发展的护理诊断 D.从低层次的健康水平向更高的健康水平发展的护理诊断 E.从特定的健康水平向更高的健康水平发展的护理诊断 7.关于合作性问题，哪项叙述是错误的？ A.合作性问题常指一些病理生理并发症 B.合作性问题是要通过医嘱和护理措施共同处理的 C.对于合作性问题，护士的任务主要是提供监测 D.并非所有的并发症都是合作性问题 E.合作性问题是一种特殊的疾病诊断 8.有关护理诊断和医疗诊断，下列叙述哪项错误？ A.医疗诊断描述的是一种疾病 B.护理诊断的决策者是护理人员也可以是医生 C.护理诊断随病情的变化而变化 D.医疗诊断的名称在疾病发展中是保持稳定的 E.护理诊断描述的是个体对健康问题的反应 9.有关护理程序概念的解释，哪项不妥： A.是一系列有计划、有目的的护理活动 B.是以促进和恢复服务对象的健康为目标 C.是一个综合的、动态的、具有决策与反馈功能的过程 D.是对护理对象进行主动、全面的整体护理 E.是由估计、诊断、计划、评价四个步骤组成 10.下列哪项不符合护理诊断书写要求 A.诊断明确，书写规范 B.一项护理诊断可针对病人的多个健康问题 C.列出护理诊断应贯彻整体护理观点 D.护理诊断必须具有客观依据 E.护理诊断应能指出护理方向 11.有关护理诊断的陈述，错误的是： A.一个护理诊断可针对的多个护理问题 B.护理诊断应以充分的主、客观资料为依据 C.护理诊断应是护理范围内可以解决的问题 D.护理诊断决策者是护理人员 E.问题的描述不应使用医疗诊断用语 12.有关护理目标的叙述哪项不正确？ A.一个目标只针对一个护理诊断 B.制订的目标应切实可行 C.目标应是具体、可测量的 D.目标的主语可以是患者，也可以是护士 E.目标是护理的结果而不是护理的过程 13.关于预期目标的陈述下列哪项是错误的： A.目标要简单明了，切实可行 B.目标要针对一个护理问题 C.一个护理诊断可有多个目标 D.目标陈述的主语可以是病人，也可以是护理人员 E.目标需经病人认可 14.护理计划阶段的内容不包括： A.确定护理目标 B.制订护理计划 C.列出护理诊断 D.护理计划成文

路由跟踪命令大全

路由跟踪命令大全 除了显示路由外还提供325S的分析计算丢失包的％ 使用 nbtstat 解决 NetBIOS 名称问题 TCP/IP 上的 NetBIOS (NetBT) 将 NetBIOS 名称解析成 IP 地址。TCP/IP 为NetBI OS 名称解析提供了很多选项，包括本地缓存搜索、WINS 服务器查询、广播、DNS 服 务器查询以及 Lmhosts 和主机文件搜索。 Nbtstat 是解决 NetBIOS 名称解析问题的有用工具。可以使用 nbtstat 命令删除或 更正预加载的项目： nbtstat -n 显示由服务器或重定向器之类的程序在系统上本地注册的名称。nbtstat -c 显示 NetBIOS 名称缓存，包含其他计算机的名称对地址映射。nbtstat -R 清除名称缓存，然后从 Lmhosts 文件重新加载。 nbtstat -RR 释放在 WINS 服务器上注册的 NetBIOS 名称，然后刷新它们的注册。 nbtstat -a name 对 name 指定的计算机执行 NetBIOS 适配器状态命令。适配器状态 命令将返回计算机的本地 NetBIOS 名称表，以及适配器的媒体访问控制地址。nbtstat -S 列出当前的 NetBIOS 会话及其状态（包括统计），如下例所示：NetBIOS connection table Local name State In/out Remote Host Input Output ------------------------------------------------------------------ CORP1 <00> Connected Out CORPSUP1<20> 6MB 5MB CORP1 <00> Connected Out CORPPRINT<20> 108KB 116KB CORP1 <00> Connected Out CORPSRC1<20> 299KB 19KB CORP1 <00> Connected Out CORPEMAIL1<20> 324KB 19KB CORP1 <03> Listening 使用 netstat 显示连接统计 可以使用 netstat 命令显示协议统计信息和当前的 TCP/IP 连接。netstat -a 命令 将显示所有连接，而 netstat -r 显示路由表和活动连接。netstat -e 命令将显示 Ethernet 统计信息，而 netstat -s 显示每个协议的统计信息。如果使用netstat -n，则不能将地址和端口号转换成名称。下面是 netstat 的输出示例：

用计算机程序解决问题

用计算机程序解决问题 一、教学目标： 1、知识与技能 （1）执行一段计算机程序，了解计算机程序的工作过程 （2）解剖程序实例，理解使用计算机程序解决问题的基本流程在完成学习任务的过程中，合理使用信息技术和方法实行简单的探究活动。 3、情感、态度与价值观 借助计算机程序解决问题的思想方法，养成严谨客观的学习习惯。 4、教学重点、难点： 本节内容的重点是：计算机程序解决问题的基本流程。 本节内容的难点是：计算机程序解决问题的方法。 5、课时安排：1课时 二、教学过程设计： 1、体验程序的运行过程及作用（活动） 执行“老鼠过街”游戏（分别请二个学生上台玩） 执行环境在VB中 过渡到画二次函数图像的程序。 2、剖析用计算机程序解决问题的过程 （1）分析问题 对于一个实际问题，首先需要分析该问题的需求情况及已知条件，来判断解决问题的可能性和目标要求，然后对需要解决的问题给出一

个精确的描述。 （2）设计算法 寻找解决问题的方法和步骤称为算法设计。 解决方法：利用描点法去画函数图像 算法设计： 1）给出画图框 2）给出程序执行按纽 3）定义坐标轴 4）定义纵坐标、横坐标 5）定义变量 6）给定颜色 7）描点法算法 8）结束算法 （3）编写程序 选择程序设计语言，通过程序设计语言实现算法，编写出程序（代码）。 （4）调试运行程序 1）打开程序设计语言软件Visual Basic(简称VB) 2）输入编写好的程序 3）运行程序，检验程序功能 4）调试修改错误 5）保存程序并生成“*.exe”编译文件

（5）检测结果 3、练习 （1）执行老师已给定的程序。 （2）修改老师给定的程序，画出已下函数的图像。Y=－x^2 Y=2^x Y=5*sin(x) （3）尝试自己编写加法程序。

路由跟踪命令

路由跟踪命令 1.最基本，最常用的，测试物理网络的 ping 192.168.0.8 －t ，参数－t是等待用户去中断测试 2.查看DNS、IP、Mac等 A.Win98：winipcfg B.Win2000以上：Ipconfig/all C.NSLOOKUP：如查看河北的DNS C:\>nslookup Default Server: https://www.wendangku.net/doc/e410021418.html, Address: 202.99.160.68 >server 202.99.41.2 则将DNS改为了41.2 > https://www.wendangku.net/doc/e410021418.html, Server: https://www.wendangku.net/doc/e410021418.html, Address: 202.99.160.68 Non-authoritative answer: Name: https://www.wendangku.net/doc/e410021418.html, Address: 202.99.160.212 3.网络信使（经常有人问的~） Net send 计算机名/IP|* (广播) 传送内容，注意不能跨网段 net stop messenger 停止信使服务，也可以在面板－服务修改 net start messenger 开始信使服务 4.探测对方对方计算机名，所在的组、域及当前用户名（追捕的工作原理） ping －a IP －t ，只显示NetBios名 nbtstat -a 192.168.10.146 比较全的 https://www.wendangku.net/doc/e410021418.html,stat -a 显示出你的计算机当前所开放的所有端口 netstat -s -e 比较详细的显示你的网络资料，包括TCP、UDP、ICMP 和IP的统计等 6.探测arp绑定（动态和静态）列表，显示所有连接了我的计算机，显示对方IP和MAC 地址 arp -a 7.在代理服务器端 捆绑IP和MAC地址，解决局域网内盗用IP！： ARP －s 192.168.10.59 00 －50－ff－6c－08－75 解除网卡的IP与MAC地址的绑定： arp -d 网卡IP 8.在网络邻居上隐藏你的计算机（让人家看不见你！）

计算机程序编程中的常用英语

都需要知道这些英语。，还是c++还是javajps不管是 ++ 500多个，请大家熟记一共应用、应用程序application 应用程式 application framework 应用程式框架、应用框架应用程序框架架构、系统架构architecture 体系结构引数（传给函式的值）.叁见叁数、实质叁数、实叁、自变量parameter argument array 阵列数组 箭头操作符（箭头）运算子arrow operator arrow 装配件assembly assembly language 组合语言汇编语言 断言assert(ion) 赋值assign 指派、指定、设值、赋值 赋值、分配assignment 指派、指定 赋值操作符assignment operator 指派（赋值）运算子= associated 相关的、关联、相应的相应的、相关的 sequential container）associative container 关联式容器关联式容器（对应原子的atomic 不可分割的 属性、特性attribute 属性 audio 音频音讯人工智能A.I. 人工智慧 背景background 背景（用於图形着色）后台（用於行程）backward compatible 回溯相容向下兼容bandwidth 频宽带宽base class 基础类别基类base class) 基础型别base type (等同於 批次（意思是整批作业）batch 批处理收益benefit 利益 最佳可行函式best viable function 最佳可行函式 中挑出的最佳吻合者）（从viable functions 二分查找二分搜寻法binary search binary tree 二元树二叉树 binary function 二元函式双叁函数 binary operator 二元运算子二元操作符 绑定系结binding bit 位元位bit field 位元栏位域位图bitmap 位元图 bitwise 以bit 为单元逐一┅bitwise copy 以bit 为单元进行复制；位元逐一复制位拷贝block 区块,区段块、区块、语句块或false 布尔值）boolean 布林值（真假值,true 边框border 边框、框线花括弧、花括号brace(curly brace) 大括弧、大括号方括弧、方括号bracket(square brakcet) 中括弧、中括号breakpoint 断点中断点 build 建造、构筑、建置（MS 用语）内置in 内建－build 总线bus 汇流排 业务,业务business 商务按钮按钮buttons 组成）字节位元组（由byte 8 bits 高速缓存cache 快取呼叫、叫用调用call 回调callback 回呼call operator call（函式呼叫）运算子调用操作符function call operator）

【协议分析】【通过tracert 命令查看路由跟踪报文】

实验七通过tracert命令查看路由跟踪报文【实验目的】 1、理解路由跟踪过程。 2、掌握tracert命令使用方法。 3、掌握路由跟踪报文特点。 【实验学时】 1学时 【实验环境】 图 3-42 实验拓扑图 【实验内容】 1、掌握路由跟踪过程； 2、掌握tracert命令使用方法； 3、掌握路由跟踪报文特点。

图 3-43 实验流程图 【实验原理】 Tracert（跟踪路由）是路由跟踪实用程序，用于确定IP数据报访问目标所采取的路径。Tracert命令用IP生存时间(TTL)字段和ICMP错误消息来确定从一个主机到网络上其他主机的路由。 Tracert工作原理为Tracert程序向目标端发送ICMP请求数据包，并且将数据包中的TTL值置为1，此ICMP请求数据包在到达第一跳路由器时，TTL减1为0，因此路由器会向发送端发送ICMP超时消息。收到此消息后Tracert程序继续向目标端发送ICMP请求数据包，并将数据包中的TTL值加1置为2，这时，ICMP请求数据包在向目标端前进的路由上到达第二个路由器后，TTL值减为0，第二个路由器同样的，向发送端发送ICMP超时报文。依此类推，直到ICMP请求数据包到达目的端，Tracert程序则可以根据各路由器回复的ICMP超时报文确定到达目的端的路径。 利用Tracert通常可以测试，在从源端到达目的端的路径上，需要进行哪些节点，或是 在其中的哪个节点上存在故障。

步骤一：设定实验环境 1、配置主机IP和路由器IP地址。 2、按照实验拓扑连接网络拓扑。 RA(config)#interface FastEthernet 0/0 RA(config-if)#ip address 211.103.220.160 255.255.255.0 RA(config)#interface FastEthernet 0/1 RA(config-if)#ip address 172.16.1.1 255.255.255.0 RA(config)#router rip RA(config-router)#network 172.16.0.0 RA(config-router)#network 211.103.220.0 RA(config-router)#version 2 RA(config-router)#no auto-summary RB(config)#interface FastEthernet 0/0 RB(config-if)#ip address 211.103.220.161 255.255.255.0 RB(config)#interface FastEthernet 0/1 RB(config-if)#ip address 10.255.70.12 255.255.255.0 RB(config-router)#network 10.0.0.0 RB(config-router)#network 211.103.220.0 RB(config-router)#version 2 RB(config-router)#no auto-summary RC(config)#interface FastEthernet 0/0 RC(config-if)#ip address 10.255.70.13 255.255.255.0 RC(config)#interface FastEthernet 0/1 RC(config-if)#ip address 218.241.240.1 255.255.255.0 RA(config-router)#network 10.0.0.0 RA(config-router)#network 218.241.240.0 RA(config-router)#version 2 RA(config-router)#no auto-summary 步骤二：捕获数据包，分析Tracert过程 1、在PC1中开启协议分析软件，进行数据包捕获 2、在PC1命令行中，用命令tracert 218.241.240.8对PC2进行路由跟踪，输出的Tracert 结果如下图所示。

计算机程序的执行过程

一。计算机程序的执行过程 程序就是指令的集合 为使计算机按预定要求工作，首先要编制程序。程序是一个特定的指令序列，它告诉计算机要做哪些事，按什么步骤去做。指令是一组二进制信息的代码，用来表示计算机所能完成的基本操作。 1．程序 程序是为求解某个特定问题而设计的指令序列。程序中的每条指令规定机器完成一组基本操作。如果把计算机完成一次任务的过程比作乐队的一次演奏，那么控制器就好比是一位指挥，计算机的其它功能部件就好比是各种乐器与演员，而程序就好像是乐谱。计算机的工作过程就是执行程序的过程，或者说，控制器是根据程序的规定对计算机实施控制的。例如，对于算式 计算机的解题步骤可作如下安排： 步骤1：取a ； 步骤2：取b ； 步骤3：判断； . 若b≥0，执行步骤4 .若b＜0，执行步骤6 步骤4：执行a＋b； 步骤5：转步骤7； 步骤6：执行a－b； 步骤7：结束。 计算机的工作过程可归结为：取指令→分析指令→执行指令→再取下一条指令，直到程序结束的反复循环过程。通常把其中的一次循环称为计算机的一个指令周期。总之，我们可把程序对计算机的控制归结为每个指令周期中指令对计算机的控制。 2．指令 程序是由指令组成的。指令是机器所能识别的一组编制成特定格式的代码串，它要求机器在一个规定的时间段（指令周期）内，完成一组特定的操作。指令的基本格式可归结为操作码OP和操作数地址AD两部分，具体内容是： ⑴指出计算机应完成的一组操作内容，如传送（MOV）、加法（ADD）、减法（SUB）、输出、停机（HLT）、条件转移（JZ）等。这部分称为指令的操作码部分。 ⑵两个操作数的地址和存放结果的地址及寻址方式。 ⑶为保证程序执行的连续性，在执行当前指令时，还需指出下一条指令的地址。由于指令在存储器中一般是顺序存放的，所以只要设置一个指令指针（IP），每执行一条指令，IP自动加1，便自动指出下一条指令的地址，而不必在指令中专门指出下一条指令的地址。只有在转移指令中才指出下一条指令的地址。此时，IP的内容将随转移指令所指示的内容改变。 3．指令的执行 指令规定的内容是通过控制器执行的，或者说控制器是按照一条指令的内容指挥操作的。 ⑴控制器的功能

第一节护理程序题库3-1-8

第一节护理程序题库 3-1-8

问题： [单选]患者男性，57岁。有发作性心前区疼痛史2年，因平日工作较忙，未就诊检查治疗。2小时前，患者因着急而发生持续性心前区压榨性疼痛，面色苍白，出冷汗，烦躁不安，有濒死感，急诊入院，诊断为冠心病急性广泛前壁心肌梗死，医嘱绝对卧床休息。护士评估后作出如下护理诊断，排在首位的是 A.潜在并发症：心源性休克 B.胸痛与心肌缺血、坏死有关 C.恐惧对心肌梗死可能致死感到恐惧 D.知识缺乏缺乏有关冠心病预防的知识 E.进食、入厕、卫生自理缺陷与心肌梗死后24小时之内绝对卧床休息有关 意思就是此患者最严重的，危及生命的，就是需要排在首位的。患者持续性心前区压榨性疼痛，面色苍白，出冷汗，烦躁不安，有濒死感，病人由于剧烈疼痛已引起休克早期表现，而休克是危及病人生命的现象。所以排在首位的护理诊断是胸痛。

问题： [单选]患儿2岁，因支原体肺炎入院，平时由保姆照顾，此时收集资料的主要来源是指 A.患儿母亲 B.患儿自己 C.患儿的病历 D.文献资料 E.患儿保姆 （1）直接来源：健康资料的直接来源是病人本人。通过病人的主诉、对病人的观察及体检等所获得的资料。 （2）间接来源 1）病人的家属及其他与之关系密切者，如亲属、朋友、同事、邻居、老师、保姆等。 2）其他卫生保健人员，如与病人有关的医师、营养师、理疗师、心理医师及其他护士等。 3）目前或既往的健康记录或病历，如儿童预防接种记录、健康体检记录或病历记录等。 4）医疗、护理的有关文献记录。题干中患儿2岁，由于年龄太小，自己不会诉说，因为小儿平时由保姆照顾，所以此时收集资料的主要来源是指患儿保姆。

路由跟踪命令

路由跟踪命令 查看DNS、IP、Mac等 1.最基本，最常用的，测试物理网络的 ping 192.168.0.8 －t ，参数－t是等待用户去中断测试 2.查看DNS、IP、Mac等 A.Win98：winipcfg B.Win2000以上：Ipconfig/all C.NSLOOKUP：如查看河北的DNS C:\>nslookup Default Server: https://www.wendangku.net/doc/e410021418.html, Address: 202.99.160.68 >server 202.99.41.2 则将DNS改为了41.2 > https://www.wendangku.net/doc/e410021418.html, Server: https://www.wendangku.net/doc/e410021418.html, Address: 202.99.160.68 Non-authoritative answer: Name: https://www.wendangku.net/doc/e410021418.html, Address: 202.99.160.212 3.网络信使（经常有人问的~） Net send 计算机名/IP|* (广播) 传送内容，注意不能跨网段 net stop messenger 停止信使服务，也可以在面板－服务修改 net start messenger 开始信使服务 4.探测对方对方计算机名，所在的组、域及当前用户名（追捕的工作原理） ping －a IP －t ，只显示NetBios名 nbtstat -a 192.168.10.146 比较全的 https://www.wendangku.net/doc/e410021418.html,stat -a 显示出你的计算机当前所开放的所有端口 netstat -s -e 比较详细的显示你的网络资料，包括TCP、UDP、ICMP 和IP的统计等 6.探测arp绑定（动态和静态）列表，显示所有连接了我的计算机，显示对方IP和MAC 地址 arp -a 7.在代理服务器端 捆绑IP和MAC地址，解决局域网内盗用IP！： ARP －s 192.168.10.59 00 －50－ff－6c－08－75 解除网卡的IP与MAC地址的绑定： arp -d 网卡IP

计算机程序设计发展史

计算机程序设计发展史 【摘要】 程序设计语言原本是被设计成专门使用在计算机上的，但它们也可以用来定义算法或者数据结构。正是因为如此，程序员才会试图使程序代码更容易阅读。设计语言往往使程序员能够比使用机器语言更准确地表达他们所想表达的目的。对那些从事计算机科学的人来说，懂得程序设计语言是十分重要的，因为在当今所有的计算都需要程序设计语言才能完成，面向对象程序设计以及数据抽象在现代程序设计思想中占有很重要的地位，未来语言的发展将不在是一种单纯的语言标准，将会以一种完全面向对象，更易表达现实世界，更易为人编写，其使用将不再只是专业的编程人员，人们完全可以用订制真实生活中一项工作流程的简单方式来完成编程。 【关键字】 机器语言汇编语言高级语言计算机语言计算机技术编程语言【正文】 随着计算机的迅速发展，计算机程序设计已经从一种技巧发展成为一门科学，程序设计的方法也在不断的变化、发展。 50年代用机器指令代码进行手编程序是相当麻烦的，在工程技术人员中也很难得到推广。当程序设计是繁杂而又仔细的劳动，重复处理0与1又得花费大量的时间来编制与调试程序，故后期逐渐被用符号指令的汇编程序设计所代替。 1954年，第一个完全脱离机器硬件的高级语言—FORTRAN问世了,大大简化了程序设计，用高级语言编写的程序实现了基本上与机器无关。40多年来，共有几百种高级语言出现，有重要意义的有几十种，诸如FORTRAN、BASIC,ALGOL, COBOL,LISP,PL/1,C,C++等。 当计算机刚刚问世的时候，程序员必须手动控制计算机。当时的计算机十分昂贵，唯一想到利用程序设计语言来解决问题的人是德国工程师楚泽(konrad zuse)。几十年后，计算机的价格大幅度下跌，而计算机程序也越来越复杂。也就是说，开发时间已经远比运行时间来得宝贵。 在过去的几十年间，大量的程序设计语言被发明、被取代、被修改或组合在一起。尽管人们多次试图创造一种通用的程序设计语言，却没有一次尝试是成功的。之所以有那么多种不同的编程语言存在的原因是，编写程序的初衷其实也各不相同；新手与老手之间技术的差距非常大，而有许多语言并对新手来说太难学；还有，不同程序之间的运行成本各不相同。有许多用于特殊用途的语言，

计算机程序设计基础

计算机程序设计基础 ——精讲多练C/C++语言 程序的基本结构 1、在屏幕上显示如下图形： **************** * Hello World * **************** #include using namespace std; int main() { cout<<"****************"< using namespace std; int main() { double x,y,sum,sub,mult,div; cout<<"Please enter the two Numbers for calculation:"; cin>>x>>y; sum=x+y; sub=x-y; mult=x*y; div=x/y; cout<

护理程序的五个步骤

护理程序分为五个步骤，即护理评估、护理诊断、护理计划、实施、评价。 护理评估 评估是护理程序的开始，是护士通过与病人交谈、观察、护理体检等方法，有目的、有计划、系统地收集护理对象的资料，为护理活动提供可靠依据的过程。评估的准确与否直接影响护理诊断的确定、医学|教育网搜集整理护理计划的制订和实施，影响护理目标的实现。在护理程序实施的过程中，还应对病人进行随时评估，以便及时确定病情进展情况，发现病人住院期间出现的新问题，及时调整护理计划。因此，评估贯穿于整个护理过程之中。 护理诊断 1.护理诊断的概念护理诊断是关于个人、家庭或社区对现存的或潜在的健康问题或生命过程反应的一种临床判断，是护士为达到预期目标（预期结果）选择护理措施的基础，医学教|育网搜集整理而预期目标（预期结果）是由护士负责制订的。 2.护理诊断的组成护理诊断由名称、定义、诊断依据以及相关因素四部分组成。

3.护理诊断的陈述方式护理诊断的陈述包括三个要素：问题（P），即护理诊断的名称；相关因素（E），多用“与……有关”来陈述；症状和体征（S）。又称为PES公式。 4.书写护理诊断时应注意的问题。 5.医护合作性问题合作性问题是由护士与医生共同合作才能解决的问题，多指因脏器的病理生理改变所致的潜在并发症。 6.护理诊断与医疗诊断的区别与联系。 护理计划 护理计划是针对护理诊断制订的具体护理措施，是进行护理行动的指南。制订计划的目的是为了使病人得到个性化的护理，保持护理工作的连续性，促进医护人员的交流，并利于评价。一般分四个步骤进行。实施 实施是为达到护理目标而将计划中的各项措施付诸行动的过程。医|学教育网搜集整理实施通常发生在护理计划之后，但对急诊病人或危重病人则应先采取紧急救护措施，再书写完整的计划。 评价 评价是将病人的健康状况与预期目标进行有计划、系统地比较并作出判断的过程。通过评价，可以了解病人是否达到了预期的护理目标。

TRACERT命令及用法

TRACERT命令及用法 Tracert（跟踪路由）是路由跟踪实用程序，用于确定 IP 数据报访问目标所采取的路径。Tracert 命令用 IP 生存时间 (TTL) 字段和 ICMP 错误消息来确定从一个主机到网络上其他主机的路由。 Tracert（跟踪路由）是路由跟踪实用程序，用于确定 IP 数据报访问目标所采取的路径。Tracert 命令用 IP 生存时间 (TTL) 字段和 ICMP 错误消息来确定从一个主机到网络上其他主机的路由。 Tracert 工作原理 通过向目标发送不同 IP 生存时间 (TTL) 值的“Internet 控制消息协议 (ICMP)”回应数据包，Tracert 诊断程序确定到目标所采取的路由。要求路径上的每个路由器在转发数据包之前至少将数据包上的 TTL 递减 1。数据包上的 TTL 减为 0 时，路由器应该将“ICMP 已超时”的消息发回源系统。 Tracert 先发送 TTL 为 1 的回应数据包，并在随后的每次发送过程将 TTL 递增 1，直到目标响应或 TTL 达到最大值，从而确定路由。通过检查中间路由器发回的“ICMP 已超时”的消息确定路由。某些路由器不经询问直接丢弃 TTL 过期的数据包，这在 Tracert 实用程序中看不到。 Tracert 命令按顺序打印出返回“ICMP 已超时”消息的路径中的近端路由器接口列表。如果使用 -d 选项，则 Tracert 实用程序不在每个 IP 地址上查询 DNS。

在下例中，数据包必须通过两个路由器（10.0.0.1 和192.168.0.1）才能到达主机 172.16.0.99。主机的默认网关是10.0.0.1，192.168.0.0 网络上的路由器的IP 地址是192.168.0.1。 C:\>tracert 172.16.0.99 -d Tracing route to 172.16.0.99 over a maximum of 30 hops 1 2s 3s 2s 10,0.0,1 2 75 ms 8 3 ms 88 ms 192.168.0.1 3 73 ms 79 ms 93 ms 172.16.0.99 Trace complete. 用 tracert 解决问题 可以使用 tracert 命令确定数据包在网络上的停止位置。下例中，默认网关确定 192.168.10.99 主机没有有效路径。这可能是路由器配置的问题，或者是 192.168.10.0 网络不存在（错误的 IP 地址）。 C:\>tracert 192.168.10.99 Tracing route to 192.168.10.99 over a maximum of 30 hops 1 10.0.0.1 reports:Destination net unreachable. Trace complete. Tracert 实用程序对于解决大网络问题非常有用，此时可以采取几条路径到达同一个点。 Tracert 命令行选项

西南交通大学计算机程序设计基础(C++)

西南交通大学C++实验报告 计算机程序设计基础（C++） 实验1 一、实验目的 1．熟悉C++程序的集成开发环境； 2．学习新建和打开控制台应用程序的方法； 3．掌握简单数据运算，以及输入与输出方法。 二、实验任务 1．输入一摄氏温度，输出显示所转换的华氏温度。 （提示：摄氏温度=(华氏温度-32)×5/9） 2．画出一头威武雄壮的雄狮。 ,%%%%%% ,%%/\%%%%/\% ,%%%\c "" J/%%% %. %%%%/ o o \%%% `%%. %%%% _ |%% `%% `%%%%(__Y__)% // ;%%%%`\-/%%%' (( / `%%%%%%%' \\ .' | \\ / \ | | \\/ ) | | \ /_ | |__ (___________))))))) 三、实验结果（源程序+ 注释） 1. 源程序 #include using namespace std; void main() { double a,b; cout<<"请输入一摄氏温度："<>a; b=a*9/5+32; cout<<"转换的华氏温度为:"<

2． 源程序 #include using namespace std; void main() { cout<<" ,%%%%%% "<

护理程序的步骤

护理程序的步骤 1.护理程序分为： 护理评估、护理诊断、护理计划、实施、评价。 (1)评估是护理程序的开始，贯穿于整个护理过程之中。 (2)评价是将病人的健康状况与预期目标进行有计划、系统地比较并作出判断的过程。评价实际上是贯穿于护理活动的全过程之中。 2.资料的类型： (1)主观资料：即病人的主诉，包括病人所感觉的、所经历的以及看到的、听到的、想到的内容的描述，是通过与病人及有关人员交谈获得的资料，也包括亲属的代诉，如头晕、恶心、疼痛等。(病人讲) (2)客观资料：是护士经观察、体检、借助其他仪器检查或实验室检查等所获得的病人的健康资料，如

呼吸困难、体温39.0℃等。(护士查) 3.资料的来源： (1)直接来源：健康资料的直接来源是病人本人。通过病人的主诉、对病人的观察及体检等所获得的资料。 (2)间接来源 1)病人的家属及其他与之关系密切者，如亲属、朋友、同事、邻居、老师、保姆等。 2)其他卫生保健人员，如与病人有关的医师、营养师、理疗师、心理医师及其他护士等。 3)目前或既往的健康记录或病历，如儿童预防接种记录、健康体检记录或病历记录等。 4)医疗、护理的有关文献记录。 3.护理诊断的组成： 由名称、定义、诊断依据以及相关因素四部分组

成。其中名称包括以下类型： (1)现存的：已经存在的健康问题，如“皮肤完整性受损：压疮，与局部组织长期受压有关”。 (2)危险的：是对现在未发生，若不采取护理措施将会发生问题，如“有……的危险”。 (3)健康的：陈述方式为“潜在的……增强”，“执行……有效”。 4.护理诊断的陈述方式： 问题(P)，即护理诊断的名称;相关因素(E)，多用“与……有关”来陈述;症状或体征(S)。又称为PES公式。 5.合作性问题的陈述： 以固定的方式进行，即“潜在的并发症：……”。 6.护理计划： (1)排序原则