提起测试两个人的匹配程度，大家都知道，有人问用matlab,设计一个微型程序目标就是匹配,输入两个人的名字,看看匹配程度，另外，还有人想问在那里可以测试2个人的婚姻匹配，你知道这是怎么回事？其实怎样测两个人的匹配程度？？下面就一起来看看用matlab,设计一个微型程序目标就是匹配,输入两个人的名字,看看匹配程度，希望能够帮助到大家！
测试两个人的匹配程度
1、用matlab,设计一个微型程序目标就是匹配,输入两个人的名字,看看匹配程度
免费测试两人今生关系。
2、测试两个人的匹配程度:在那里可以测试2个人的婚姻匹配
这里有40条你和情侣相似的地方，觉得彼此相似的得1分，不相似不得分。测你给的感觉。
一经济地位测试情敌羡慕你什么。
二智力与学历
三对结婚后角色的期待塔罗测你的什么气质吸引了他。
四什么时候要孩子、孩子的方法
五倾向、价值观
六对烟酒、的态度
七双方父母的探视
八幽默感
九是否守时
十可靠性
十一亲密能力（语言、等）塔罗牌测你的原生家庭。
十二处理怒气的方法
十三与异性朋友的交往方式
十四生活追求、生命目标恋人匹配度。
十五对体重的态度测试两个人的匹配程度免费。
十六
十七嗜好、兴趣
十八所喜爱的音乐
十九活动与运动测试你和父母的缘分。
二十性方面的兴趣与追求
二一收入的花费与积蓄
二二金钱预算
二三对双方父母的帮助量
二四投资与风险控制测两个人的恋爱匹配指数。
二五对清洁的态度
二六生病的处理姓名契合度匹配免费。
怎样测两个人的匹配程度？？二七健康标准
二八人际沟通技术
二九参加社交活动的时间、类型
三十居住的地点
三一房子与家具的大小、风格姓名配对 超准。
三二出差量与类型
三三假时间、地点测你喜欢的人像不像你。
三四怎样庆祝节日
三五互相花多少时间在一起测试两人是否有夫妻缘分。
三六作息时间
三七家里的温度
三八对食物的口味偏好测试上辈子和父母的关系。
三九吃饭时的习惯
四十对电视节目的爱好从姓名看你两配不配。
40分：……喂！你不是被热恋冲昏了头脑吧？
30以上：天造地设的一对，没有人会说你们不登对。
20-30分：比较，还须继续努力！测试两人婚姻匹配度。
10-20分：你们遇到的问题会比较多。
10分以下：再考虑考虑吧！
3、测试两个人的匹配程度:怎样测两个人的匹配程度？？
大部分要求和对方进行匹配度测试的都是女生，虽然男生有时候真的不太喜欢这东西，但架不住女生的软磨硬泡，也会用心的去测试匹配度。我们先不谈测试是否真的准确，我们只来讨论一下，测试的意义。
一方提出要跟另一方进行匹配度测试，那她心中的想法是有很多种的，我大致例举一下，首先是真的为了测试与对方的匹配度，并把结果作为是否与对方合适的依据，其次是寻求心理安慰，可能就是图个乐子。我们慢慢讲一讲这三种想法的人都是心中都是怎么想的。测试两人般配程度。
情侣匹配度测试：你适合和对方做情侣吗？
种想法的人把匹配度测试作为自己与对方是否合适的依据，这类人对待爱情的态度令人不解，也是最容易被分手的一类人，这类人将这些莫须有的东西作为真实的依据并与对方力争，如果是小吵小闹还好，但一旦控制不住，导致分手也不是没有可能。闺蜜匹配度测试姓名。
之后再是第二种想法的人，这类人目的与类人一样，是为了测试与对方的合适度，但其最初的想法是为了寻得一个心理安慰。这类人在爱情中往往是主动的一方，我们可以了解为爱的更深的一方，由于自己爱的更深，则更加会担心对方对自己的态度，所以如果测试结果好的话，就能短暂给自己一点心理上的安慰，如果测试结果不好，也不会因此吵闹，只是会在心理想很多。
是第三种想法的人，这类人想法完全没有受到限制，玩匹配度测试也只是为了图个乐子，增加一些话题而已，不存在会因为结果而对对方有看法上的改变。
情侣匹配度测试：你适合和对方做情侣吗？
情侣匹配度测试只是一个游戏，而且现在的网络环境，一系列的匹配度测试层出不穷，如果你因为一个游戏的结果和对方大吵大闹，而去忽略对方在现实生活中对你的照顾，那说明你对这段感情很不负责，又或者说你太过于。
以上就是与用matlab,设计一个微型程序目标就是匹配,输入两个人的名字,看看匹配程度相关内容，是关于用matlab,设计一个微型程序目标就是匹配,输入两个人的名字,看看匹配程度的分享。看完测试两个人的匹配程度后，希望这对大家有所帮助！
MATLAB实用源代码1图像的读取及旋转
A=imread('')%读取图像
subplot(2,2,1),imshow(A),title('原始图像')%输出图像
I=rgb2gray（A）
subplot(2,2,2),imshow(A),title('灰度图像')
subplot(2,2,3),imhist(I),title('灰度图像直方图')%输出原图直方图
theta = 30J = imrotate(I,theta)% Try varying the angle, theta.
subplot(2,2,4)， imshow(J),title(‘旋转图像’)
2边缘检测
I=imread('C:\Users\HP\Desktop\平时总结\路飞.jpg')
subplot(2,2,1),imshow(I),title('原始图像')
I1=edge(I,'sobel')
subplot(2,2,2),imshow(I1),title('sobel边缘检测')
I2=edge(I,'prewitt')
subplot(2,2,3),imshow(I2),title（'prewitt边缘检测'）
I3=edge(I,'log')
subplot(2,2,4),imshow(I3),title（'log边缘检测'）
3图像反转
MATLAB 程序实现如下：
I=imread('xian.bmp')
J=double(I)
J=-J+(256-1)%图像反转线性变换
H=uint8(J)
subplot(1,2,1),imshow(I)
subplot(1,2,2),imshow(H)
4.灰度线性变换
MATLAB 程序实现如下：
I=imread('xian.bmp')
subplot(2,2,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
axis on%显示坐标系
I1=rgb2gray(I)
subplot(2,2,2),imshow(I1)
title('灰度图像')
axis([50,250,50,200])
axis on %显示坐标系
J=imadjust(I1,[0.1 0.5],[])%局部拉伸，把[0.1 0.5]内的灰度拉伸为[0 1]
subplot(2,2,3),imshow(J)
title('线性变换图像[0.1 0.5]')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
K=imadjust(I1,[0.3 0.7],[])%局部拉伸，把[0.3 0.7]内的灰度拉伸为[0 1]
subplot(2,2,4),imshow(K)
title('线性变换图像[0.3 0.7]')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
5.非线性变换
MATLAB 程序实现如下：
I=imread('xian.bmp')
I1=rgb2gray(I)
subplot(1,2,1),imshow(I1)
title(' 灰度图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
J=double(I1)
J=40*(log(J+1))
H=uint8(J)
subplot(1,2,2),imshow(H)
title(' 对数变换图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
4.直方图均衡化
MATLAB 程序实现如下：
I=imread('xian.bmp')
I=rgb2gray(I)
figure
subplot(2,2,1)
imshow(I)
subplot(2,2,2)
imhist(I)
I1=histeq(I)
figure
subplot(2,2,1)
imshow(I1)
subplot(2,2,2)
imhist(I1)
5. 线性平滑滤波器
用MATLAB实现领域平均法抑制噪声程序：
I=imread('xian.bmp')
subplot(231)
imshow(I)
title('原始图像')
I=rgb2gray(I)
I1=imnoise(I,'salt &pepper',0.02)
subplot(232)
imshow(I1)
title(' 添加椒盐噪声的图像')
k1=filter2(fspecial('average',3),I1)/255 %进行3*3模板平滑滤波
k2=filter2(fspecial('average',5),I1)/255 %进行5*5模板平滑滤波k3=filter2(fspecial('average',7),I1)/255 %进行7*7模板平滑滤波
k4=filter2(fspecial('average',9),I1)/255 %进行9*9模板平滑滤波
subplot(233),imshow(k1)title('3*3 模板平滑滤波')
subplot(234),imshow(k2)title('5*5 模板平滑滤波')
subplot(235),imshow(k3)title('7*7 模板平滑滤波')
subplot(236),imshow(k4)title('9*9 模板平滑滤波')
6.中值滤波器
用MATLAB实现中值滤波程序如下：
I=imread('xian.bmp')
I=rgb2gray(I)
J=imnoise(I,'salt&pepper',0.02)
subplot(231),imshow(I)title('原图像')
subplot(232),imshow(J)title('添加椒盐噪声图像')
k1=medfilt2(J) %进行3*3模板中值滤波
k2=medfilt2(J,[5,5]) %进行5*5模板中值滤波
k3=medfilt2(J,[7,7]) %进行7*7模板中值滤波
k4=medfilt2(J,[9,9]) %进行9*9模板中值滤波
subplot(233),imshow(k1)title('3*3模板中值滤波')
subplot(234),imshow(k2)title('5*5模板中值滤波 ')
subplot(235),imshow(k3)title('7*7模板中值滤波')
subplot(236),imshow(k4)title('9*9 模板中值滤波')
7.用Sobel算子和拉普拉斯对图像锐化：
I=imread('xian.bmp')
subplot(2,2,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
I1=im2bw(I)
subplot(2,2,2),imshow(I1)
title('二值图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
H=fspecial('sobel')%选择sobel算子
J=filter2(H,I1) %卷积运算
subplot(2,2,3),imshow(J)
title('sobel算子锐化图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
h=[0 1 0,1 -4 1,0 1 0] %拉普拉斯算子
J1=conv2(I1,h,'same')%卷积运算
subplot(2,2,4),imshow(J1)
title('拉普拉斯算子锐化图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
8.梯度算子检测边缘
用 MATLAB实现如下：
I=imread('xian.bmp')
subplot(2,3,1)
imshow(I)
title('原始图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
I1=im2bw(I)
subplot(2,3,2)
imshow(I1)
title('二值图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
I2=edge(I1,'roberts')
figure
subplot(2,3,3)
imshow(I2)
title('roberts算子分割结果')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
I3=edge(I1,'sobel')
subplot(2,3,4)
imshow(I3)
title('sobel算子分割结果')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
I4=edge(I1,'Prewitt')
subplot(2,3,5)
imshow(I4)
title('Prewitt算子分割结果 ')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
9.LOG算子检测边缘
用 MATLAB程序实现如下：
I=imread('xian.bmp')
subplot(2,2,1)
imshow(I)
title('原始图像')
I1=rgb2gray(I)
subplot(2,2,2)
imshow(I1)
title('灰度图像')
I2=edge(I1,'log')
subplot(2,2,3)
imshow(I2)
title('log算子分割结果')
10.Canny算子检测边 缘
用MATLAB程序实现如下：
I=imread('xian.bmp')
subplot(2,2,1)
imshow(I)
title('原始图像')
I1=rgb2gray(I)
subplot(2,2,2)
imshow(I1)
title('灰度图像')
I2=edge(I1,'canny')
subplot(2,2,3)
imshow(I2)
title('canny算子分割结果')
11.边界跟踪 （bwtraceboundary函数）
clc
clear all
I=imread('xian.bmp')
figure
imshow(I)
title('原始图像')
I1=rgb2gray(I) %将彩色图像转化灰度图像
threshold=graythresh(I1) %计算将灰度图像转化为二值图像所需的门限
BW=im2bw(I1, threshold) %将灰度图像转化为二值图像
figure
imshow(BW)
title('二值图像')
dim=size(BW)
col=round(dim(2)/2)-90%计算起始点列坐标
row=find(BW(:,col),1) %计算起始点行坐标
connectivity=8
num_points=180
contour=bwtraceboundary(BW,[row,col],'N',connectivity,num_points)
%提取边界
figure
imshow(I1)
hold on
plot(contour(:,2),contour(:,1), 'g','LineWidth' ,2)
title('边界跟踪图像')
12.Hough变换
I= imread('xian.bmp')
rotI=rgb2gray(I)
subplot(2,2,1)
imshow(rotI)
title('灰度图像')
axis([50,250,50,200])
grid on
axis on
BW=edge(rotI,'prewitt')
subplot(2,2,2)
imshow(BW)
title('prewitt算子边缘检测 后图像')
axis([50,250,50,200])
grid on
axis on
[H,T,R]=hough(BW)
subplot(2,2,3)
imshow(H,[],'XData',T,'YData',R,'InitialMagnification','fit')
title('霍夫变换图')
xlabel('\theta'),ylabel('\rho')
axis on , axis normal, hold on
P=houghpeaks(H,5,'threshold',ceil(0.3*max(H(:))))
x=T(P(:,2))y=R(P(:,1))
plot(x,y,'s','color','white')
lines=houghlines(BW,T,R,P,'FillGap',5,'MinLength',7)
subplot(2,2,4),imshow(rotI)
title('霍夫变换图像检测')
axis([50,250,50,200])
grid on
axis on
hold on
max_len=0
for k=1:length(lines)
xy=[lines(k).point1lines(k).point2]
plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','green')
plot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','yellow')
plot(xy(2,1),xy(2,2),'x','LineWidth',2,'Color','red')
len=norm(lines(k).point1-lines(k).point2)
if(len>max_len)
max_len=len
xy_long=xy
end
end
plot(xy_long(:,1),xy_long(:,2),'LineWidth',2,'Color','cyan')
13.直方图阈值法
用 MATLAB实现直方图阈值法：
I=imread('xian.bmp')
I1=rgb2gray(I)
figure
subplot(2,2,1)
imshow(I1)
title(' 灰度图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
[m,n]=size(I1)%测量图像尺寸参数
GP=zeros(1,256)%预创建存放灰度出现概率的向量
for k=0:255
GP(k+1)=length(find(I1==k))/(m*n)%计算每级灰度出现的概率，将其存入GP中相应位置
end
subplot(2,2,2),bar(0:255,GP,'g')%绘制直方图
title('灰度直方图')
xlabel('灰度值')
ylabel(' 出现概率')
I2=im2bw(I,150/255)
subplot(2,2,3),imshow(I2)
title('阈值150的分割图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
I3=im2bw(I,200/255) %
subplot(2,2,4),imshow(I3)
title('阈值200的分割图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
14. 自动阈值法：Otsu法
用MATLAB实现Otsu算法：
clc
clear all
I=imread('xian.bmp')
subplot(1,2,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
level=graythresh(I)%确定灰度阈值
BW=im2bw(I,level)
subplot(1,2,2),imshow(BW)
title('Otsu 法阈值分割图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
15.膨胀 *** 作
I=imread('xian.bmp') %载入图像
I1=rgb2gray(I)
subplot(1,2,1)
imshow(I1)
title('灰度图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
se=strel('disk',1) %生成圆形结构元素
I2=imdilate(I1,se)%用生成的结构元素对图像进行膨胀
subplot(1,2,2)
imshow(I2)
title(' 膨胀后图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
16.腐蚀 *** 作
MATLAB 实现腐蚀 *** 作
I=imread('xian.bmp') %载入图像
I1=rgb2gray(I)
subplot(1,2,1)
imshow(I1)
title('灰度图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
se=strel('disk',1) %生成圆形结构元素
I2=imerode(I1,se) %用生成的结构元素对图像进行腐蚀
subplot(1,2,2)
imshow(I2)
title('腐蚀后图像')
axis([50,250,50,200])
grid on %显示网格线
axis on %显示坐标系
17.开启和闭合 *** 作
用 MATLAB实现开启和闭合 *** 作
I=imread('xian.bmp') %载入图像
subplot(2,2,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
axis on %显示坐标系
I1=rgb2gray(I)
subplot(2,2,2),imshow(I1)
title('灰度图像')
axis([50,250,50,200])
axis on %显示坐标系
se=strel('disk',1)%采用半径为1的圆作为结构元素
I2=imopen(I1,se)%开启 *** 作
I3=imclose(I1,se) %闭合 *** 作
subplot(2,2,3),imshow(I2)
title('开启运算后图像')
axis([50,250,50,200])
axis on %显示坐标系
subplot(2,2,4),imshow(I3)
title('闭合运算后图像')
axis([50,250,50,200])
axis on %显示坐标系
18.开启和闭合组合 *** 作
I=imread('xian.bmp')%载入图像
subplot(3,2,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
axis on%显示坐标系
I1=rgb2gray(I)
subplot(3,2,2),imshow(I1)
title('灰度图像')
axis([50,250,50,200])
axis on%显示坐标系
se=strel('disk',1)
I2=imopen(I1,se)%开启 *** 作
I3=imclose(I1,se)%闭合 *** 作
subplot(3,2,3),imshow(I2)
title('开启运算后图像')
axis([50,250,50,200])
axis on%显示坐标系
subplot(3,2,4),imshow(I3)
title('闭合运算后图像')
axis([50,250,50,200])
axis on%显示坐标系
se=strel('disk',1)
I4=imopen(I1,se)
I5=imclose(I4,se)
subplot(3,2,5),imshow(I5)%开—闭运算图像
title('开—闭运算图像')
axis([50,250,50,200])
axis on%显示坐标系
I6=imclose(I1,se)
I7=imopen(I6,se)
subplot(3,2,6),imshow(I7)%闭—开运算图像
title('闭—开运算图像')
axis([50,250,50,200])
axis on%显示坐标系
19.形态学边界提取
利用 MATLAB实现如下：
I=imread('xian.bmp')%载入图像
subplot(1,3,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
I1=im2bw(I)
subplot(1,3,2),imshow(I1)
title('二值化图像')
axis([50,250,50,200])
grid on%显示网格线
axis on%显示坐标系
I2=bwperim(I1)%获取区域的周长
subplot(1,3,3),imshow(I2)
title('边界周长的二值图像')
axis([50,250,50,200])
grid on
axis on
20.形态学骨架提取
利用MATLAB实现如下：
I=imread('xian.bmp')
subplot(2,2,1),imshow(I)
title('原始图像')
axis([50,250,50,200])
axis on
I1=im2bw(I)
subplot(2,2,2),imshow(I1)
title('二值图像')
axis([50,250,50,200])
axis on
I2=bwmorph(I1,'skel',1)
subplot(2,2,3),imshow(I2)
title('1次骨架提取')
axis([50,250,50,200])
axis on
I3=bwmorph(I1,'skel',2)
subplot(2,2,4),imshow(I3)
title('2次骨架提取')
axis([50,250,50,200])
axis on
21.直接提取四个顶点坐标
I = imread('xian.bmp')
I = I(:,:,1)
BW=im2bw(I)
figure
imshow(~BW)
[x,y]=getpts
平滑滤波
h=fspecial('average',9)
I_gray=imfilter(I_gray,h,'replicate')%平滑滤波
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）