详尽分享算法生成青天白日满地红旗

简介: 详尽分享算法生成青天白日满地红旗

“青天白日满地红”曾经代表中国,特别是在抗日战争的艰苦年代。那时候红军编入国民革命军,戴着青天白日帽徽,全国人民团结在“青天白日满地红”旗帜下,高唱《义勇军进行曲》,奋力抗战,打败了日本帝国主义。“青天白日满地红”象征着中国人的苦难和抗争,跟《义勇军进行曲》一起,鼓舞中国人团结起来取得胜利,凝结着中国人的感情。

青色代表光明纯洁、民族和自由;白色代表坦白无私、民权和平等;白日的十二道光芒,代表著一年十二个月,一天十二个时辰;也象征著国家的命脉,随著时间的前进永存于世界;更鼓舞国人与时俱进,自强不息。青天白日,取象宏美,中华民国为远东大国,日出东方为之最者,且青天白日,示光明正照自由平等之义。

代码如下:

1 class CPixelBlueSkyWhiteSun : public IPixelEquation

//代码效果参考:http://www.zidongmutanji.com/bxxx/175432.html

2 {

3 public:

4 CPixelBlueSkyWhiteSun()

5 {

6 m_width = 1680;

7 m_height = 1120;

8

9 for (int i = 0; i < 12; i++)

10 {

11 m_list_sin【i】 = sinf(iPI/6);

12 m_list_cos【i】 = cosf(iPI/6);

13 }

14 }

15

16 const char GetName() const

17 {

18 return "Blue Sky White Sun";

19 }

20

21 unsigned int CalculatePixel(unsigned int x, unsigned int y);

22

23 private:

24 float m_list_sin【12】;

25 float m_list_cos【12】;

26 };

cpp

1 unsigned int CPixelBlueSkyWhiteSun::CalculatePixel(unsigned int x, unsigned int y)

2 {

3 unsigned int red = 0xffff0000;

4 unsigned int white = 0xffffffff;

5 unsigned int blue = 0xff0000ff;

6

7 float w = m_width0.5f;

8 float h = m_height0.5f;

9

10 if ((float)x > w || (float)y > h)

11 {

12 return red;

13 }

14

15 float cX = w0.5f;

16 float cY = h0.5f;

17 float radius = cY0.5f;

18 Vec2 tri0(0.0f, -radius1.65f);

19 Vec2 tri1(-radius0.2f, -radius1.05f);

20 Vec2 tri2(radius0.2f, -radius1.05f);

21 Vec2 P;

22

23 float i = x - cX;

24 float j = y - cY;

25

26 float dis = sqrtf(ii + jj);

27

28 if (dis [span style="color: rgba(0, 0, 0, 1)"> radius)

29 {

30 return white;

31 }

32 else if (dis > radius1.65f)

33 {

34 return blue;

35 }

36

37 for (int m = 0; m < 12; m++)

//代码效果参考:http://www.zidongmutanji.com/zsjx/564507.html

38 {

39 P.x = im_list_cos【m】 - jm_list_sin【m】;

40 P.y = im_list_sin【m】 + jm_list_cos【m】;

41

42 if (IsPointInTriangle(tri0, tri1, tri2, P))

43 {

44 return white;

45 }

46 }

47

48 return blue;

49 }

基类IPixelEquation的代码见:Why数学图像生成工具

关于结构体Vec2的定义及相关函数见:二维平面上判断点在三角形内的最优算法

代码中没有太考究图形之间的比例,与实际会略有不符。生成图像如下:

相应软件:

Why数学图像生成工具

相关文章:

算法生成五星红旗

算法之美---100幅由程序生成的图像,总有一幅让你感到惊艳【上】

算法之美---100幅由程序生成的图像,总有一幅让你感到惊艳【下】

相关文章
|
5天前
|
算法
详尽分享算法系列:日历算法
详尽分享算法系列:日历算法
|
18小时前
|
算法 vr&ar
基于自适应波束成形算法的matlab性能仿真,对比SG和RLS两种方法
```markdown - MATLAB2022a中比较SG与RLS自适应波束成形算法。核心程序实现阵列信号处理,强化期望信号,抑制干扰。RLS以其高效计算权重,而SG则以简单和低计算复杂度著称。[12345] [6666666666] [777777] ```
|
1天前
|
算法 索引
基于Prony算法的系统参数辨识matlab仿真
Prony算法在MATLAB2022a中用于信号分析,识别复指数信号成分。核心程序通过模拟信号X1,添加不同SNR的噪声,应用Prony方法处理并计算误差。算法基于离散序列的复指数叠加模型,通过构建矩阵并解线性方程组估计参数,实现LTI系统动态特性的辨识。
|
3天前
|
算法 安全 数据库
基于结点电压法的配电网状态估计算法matlab仿真
**摘要** 该程序实现了基于结点电压法的配电网状态估计算法,旨在提升数据的准确性和可靠性。在MATLAB2022a中运行,显示了状态估计过程中的电压和相位估计值,以及误差随迭代变化的图表。算法通过迭代计算雅可比矩阵,结合基尔霍夫定律解决线性方程组,估算网络节点电压。状态估计过程中应用了高斯-牛顿或莱文贝格-马夸尔特法,处理量测数据并考虑约束条件,以提高估计精度。程序结果以图形形式展示电压幅值和角度估计的比较,以及估计误差的演变,体现了算法在处理配电网状态估计问题的有效性。
|
3天前
|
算法
基于PSO粒子群优化的PID控制器参数整定算法matlab仿真
该文探讨了使用PSO(粒子群优化)算法优化PID控制器参数的方法。通过PSO迭代,不断调整PID控制器的Kp、Ki、Kd增益,以减小控制误差。文中提供了MATLAB2022a版本的核心代码,展示了参数优化过程及结果。系统仿真图像显示了参数随迭代优化的变化。PID控制器结合PSO算法能有效提升控制性能,适用于复杂系统的参数整定,未来研究可关注算法效率提升和应对不确定性。
|
3天前
|
算法
m基于GA遗传优化的高斯白噪声信道SNR估计算法matlab仿真
**MATLAB2022a模拟展示了遗传算法在AWGN信道中估计SNR的效能。该算法利用生物进化原理全局寻优,解决通信系统中复杂环境下的SNR估计问题。核心代码执行多代选择、重组和突变操作,逐步优化SNR估计。结果以图形形式对比了真实SNR与估计值,并显示了均方根误差(RMSE),体现了算法的准确性。**
10 0
|
5天前
|
机器学习/深度学习 存储 算法
基于SFLA算法的神经网络优化matlab仿真
**摘要:** 使用MATLAB2022a,基于SFLA算法优化神经网络,降低训练误差。程序创建12个神经元的前馈网络,训练后计算性能。SFLA算法寻找最优权重和偏置,更新网络并展示训练与测试集的预测效果,以及误差对比。SFLA融合蛙跳与遗传算法,通过迭代和局部全局搜索改善网络性能。通过调整算法参数和与其他优化算法结合,可进一步提升模型预测精度。
|
5天前
|
算法
基于仿射区间的分布式三相不对称配电网潮流算法matlab仿真
```markdown # 摘要 本课题聚焦于基于仿射区间的分布式三相配电网潮流算法在MATLAB2022a中的仿真。算法利用仿射运算处理三相不平衡情况及分布式电源注入,旨在提供比区间算法更精确的不确定区域。仿真结果展示了算法优势。核心程序设计考虑了PQ、PV及PI节点,将不同类型的节点转换统一处理,以适应含分布式电源的配电网潮流计算需求。 ``` 这个摘要以Markdown格式呈现,总字符数为233,满足了240字符以内的要求。
|
5天前
|
机器学习/深度学习 算法 数据可视化
基于googlenet深度学习网络的睁眼闭眼识别算法matlab仿真
**算法预览图展示睁眼闭眼识别效果;使用Matlab2022a,基于GoogLeNet的CNN模型,对图像进行分类预测并可视化。核心代码包括图像分类及随机样本显示。理论概述中,GoogLeNet以高效Inception模块实现眼部状态的深度学习识别,确保准确性与计算效率。附带三张相关图像。**
|
7天前
|
机器学习/深度学习 自然语言处理 算法
m基于深度学习的OFDM+QPSK链路信道估计和均衡算法误码率matlab仿真,对比LS,MMSE及LMMSE传统算法
**摘要:** 升级版MATLAB仿真对比了深度学习与LS、MMSE、LMMSE的OFDM信道估计算法,新增自动样本生成、复杂度分析及抗频偏性能评估。深度学习在无线通信中,尤其在OFDM的信道估计问题上展现潜力,解决了传统方法的局限。程序涉及信道估计器设计,深度学习模型通过学习导频信息估计信道响应,适应频域变化。核心代码展示了信号处理流程,包括编码、调制、信道模拟、降噪、信道估计和解调。
28 8