帮忙翻译一段有关数字图像处理的英文 （边缘检测）一种边缘检测方法基于优化BP神经网络图像边缘的瓷砖检测精度对维和缺陷检测瓷砖检测有很大影响.阿的BP（BP）的二值图像的边缘检测神经网络并行模型，本文提出，它是适用于灰度图像边缘检测.它解决了问题的.
求两本数字图像处理英文著作的中文版 没有，英文的就挺好，翻译过来就变味了。
寻找数字图像处理高手 帮忙翻译英文 ，英文专业达人也来。 举个例子[I，J]={K/2-30：K/2+30，M/2-30：M/2+30}然后我们尝试把图像分为G t组.分组过程基于每一像素的灰度值，每一像素存在一组a中找到它的价值.最后，我们将得到组矩阵，G，当G=((G1，G2，G3，…Gn)，t=1：n.每一组有有相等值的像素.然后，一矩阵V在每一组中被得到也代表价值 Vt.V=((V1，V2，V3….Vn).t=1：n.每一组中数Nt的像素必须被算在内，以致于与在所有的在关于矩阵G编号中的组之间比较，另一个矩阵N将由N=(N1，N2，N3，…Nn)，t=1：n这里得到.我们必须预期n是非常大的值表示有非常多的组。那个对于灰度图像是正确的。对bi级的图像因为它仅由两个值构成它的组，所以它组的数目很小.在那以后在N一定是为找到的矩阵中最大数开始哪一个存在Nc当c(1：n).那么，有脉冲噪音的组将是Gc，使图像退化的脉冲噪音的值存在在这一组中，并且等于VC差不多只能翻译成这样了
数字图像处理的几个小问题，英语太差不懂这几个注释是什么意思 ％使用清洁嘈杂的输入数据嘈杂=TRUE；downsample_method='双立方'；采样系数1/2/3/4UF=2；读取高分辨率RGB和深度disp_gt=双（imread（'test_imgs/art_big.png'））；gray_gt_=im2double（rgb2gray（imread（'test_imgs/view1.png'）））；计算RMSE共同插值方法mse_bicubic=SUM（SUM（开方（（双（disp_gt）-double（双立方））^2）））/numel（disp_gt）；mse_bilinear=SUM（SUM（开方（（双（disp_gt）-double（双线性））^2）））/numel（disp_gt）；mse_nearest=SUM（SUM（开方（（双（disp_gt）-double（nearest_nb））^2）））/numel（disp_gt）；归输入深度图d_min=分钟（我们（我们>；0））；D_MAX=MAX（我们（我们>；0））；ours_norm=（我们-d_min）/（D_MAX-d_min）；ours_norm（ours_norm）=0；ours_norm（ours_norm>；1）=1；谷娘翻译的，以下我给你补充几个单词的意思norm：标准max：最大min：最小nearest：最近的sum：总和downsample：缩减像素采样/降低采样method：方法某些翻译可能乱七八糟的，不过希望能够帮助你理解一些_(：з」)_
翻译下面英文 关于数字图像处理 在这个试验中，当我们使用邻域嵌入算法的时候，我们想要结合质量和特征点评估这种算法对高分辨图象的影响。根据弗里曼等人（2002年）的观点，我们也尝试接近一个在本地信息（即规范亮度）和寻找相容的临近信息（即一阶梯度特征）之间的合理的加权因子。在pi和pj这两种小块之间距离的措施被定义为DistGrad1和DistNormL分别代表在pi和pj之间Euclidean的一阶梯度距离和pi和pj之间的规范化亮度。这两个特征向量的权重因子被近似的设为4。推理的详细内容在补充材料里面而且这个假设也在多次实验所显示的结果证明。为了独立的找出相结合的特征的贡献，我们在这部分实验中没有应用其他的改进意见。取而代之的是应用了精确的程序和SRNE算法原先使用一阶和二阶梯度结合得出的参数作为特征值做出的以下三个评价翻的好辛苦。全手工的，分不给我以后不给你翻了
数字图像处理的英文翻译 2.2.1.Gross approximation of the low thresholdThe low threshold for hysteresis is very important in negative detection because these edge points will not change its state during the linkage stage of the hysteresis process.Accuracy refers to the probability that a pixel will be properly classified(regardless of whether it is positive or negative).Therefore，our proposal should consider to make maximum Ac(x)for the approximation of the low threshold.Also，for the same objective，it is important to detect enough number of positives，making minimum the number of false positives(FP)，because these pixels can be re-classified during the linkage stage of the hysteresis process.Then our proposal should consider to make maximum Pr(x)also.Thus we propose the function Low with real valuesLow：{1，.，L 1} RLow(x)=Pr(x)+Ac(x)，x∈{1，.，L 1} to characterise the edge map Gb(I)in terms of the probability that a pixel will be accurately classified(Ac(x))and considering the probability that a pixel 。
