首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    linux系统的分辨率低怎办

    当我们用Linux的桌面环境的时候,有时屏幕发生偏移或分辩率太低,解决办法总共有两个,一个是安装显示卡的以驱动,另一个方法是通过xorg-x11软件包所提供的工具 gtf 来调整。 一、显示设置的管理工具 在Fedora 中,显示器和显示卡的配置工具是 system-config-display,存在于软件包system-config-display中,如果您没有这个命令或者在菜单上找不到这个工具,您可以自行安装。 [beinan@localhost ~]# rpm -q system-config-display system-config-display-1.0.29-1 如果没有上面的提示,你可以通过软件包管理工具 system-config-packages 来安装此软件。或者从光盘映像中找出此包安装。 [beinan@localhost ~]# rpm -ivh system-config-display* 调用方法: [beinan@localhost ~]# system-config-display 或 [beinan@localhost ~]# /usr/bin/system-config-display 这个工具比较简单,我们根据自己机器的配置就能配置得起来。值得注意的是如果您用液晶显示器,一定要选择LCD的。 二、显示卡驱动 显示卡的驱动能提供更强的功能,比如支持3D功能等。另外屏幕的分辨率等问题,都与显示卡是否有驱动有关。在系统默认安装的状况下,显示卡的驱动都是不支持3D的。我们要让系统支持3D,必须得有显示卡驱动。 遗憾的是并不是所有的显示卡都有官方发布的类Unix系统的驱动,目前看来NVidia显示卡官方支持要强。ATI部份显示卡能得到官方的支持,据AIT的官方的说明文档得知,显示卡版本必须高于8500的才有官方驱动可用。 如果您用的是Fedora Core 4.0 ,应该在线升级显示卡驱动,请参考 《apt+synaptic 为Fedora core 4.0 中安装Nvida芯片显示卡及Ati 卡显示驱动》。 我们可以用官方提供的显示卡图形调节工具来调整显示属性。极为简单,点鼠标完成,和Windows类似。安装完成ATI和NVIDIA驱动后,在菜单上有图形的配置工具,自己找找看。 如果您用Intel 855集成显示卡,可以参考《Intel 集在显卡分辨率调整工具 855resolution》 三、非NVidia 和ATI显示卡或者并未被ATI厂家支持的桌面显示问题的处理 如果您通过 system-config-display 并不能解决您的显示方面的问题,比如屏幕偏移,分辨率上不去等问题。我们可以用gtf 工具来尝试。 1、gtf工具来自哪个软件包。 gtf 是来自软件包 xorg-x11,一般的情况下,如果您安装了桌面环境,就有这个工具。系统大多是默认安装的。 2、什么是gtf 。 gtf - calculate VESA GTF mode lines 中文的意思是计算显示设备VESA驱动GTF模式命令行工具。 什么是gtf?gtf(generalized timing formula),一般程序时间,定义了产生画面所需要的时间,包括了诸如画面刷新率等),另外gtf也是显示设备的一个工业标准。通过GTF则可以自动调节屏幕尺寸。 我们通过gtf 工具计算显示器屏幕尺寸、分辨率,然后我们把计算出来的值插入到 xorg.conf配置文件中,就能达到自动调节屏幕的显示尺寸、位置 及分辨率。 3、gtf的用法。 gtf h-resolution v-resolution refresh [-v|--verbose] [-f|--fbmode] [-x|--xorgmode] 举例:我的显示器支持1024x768 ,能达到85HZ,在X模式下。

    01

    基于深度卷积神经网络的图像超分辨率重建(SRCNN)学习笔记

    目前,单幅图像的超分辨率重建大多都是基于样本学习的,如稀疏编码就是典型的方法之一。这种方法一般先对图像进行特征提取,然后编码成一个低分辨率字典,稀疏系数传到高分辨率字典中重建高分辨率部分,然后将这些部分汇聚作为输出。以往的SR方法都关注学习和优化字典或者建立模型,很少去优化或者考虑统一的优化框架。 为了解决上述问题,本文中提出了一种深度卷积神经网络(SRCNN),即一种LR到HR的端对端映射,具有如下性质: ①结构简单,与其他现有方法相比具有优越的正确性,对比结果如下: ②滤波器和层的数量适中,即使在CPU上运行速度也比较快,因为它是一个前馈网络,而且在使用时不用管优化问题; ③实验证明,该网络的复原质量可以在大的数据集或者大的模型中进一步提高。 本文的主要贡献: (1)我们提出了一个卷积神经网络用于图像超分辨率重建,这个网络直接学习LR到HR图像之间端对端映射,几乎没有优化后的前后期处理。 (2)将深度学习的SR方法与基于传统的稀疏编码相结合,为网络结构的设计提供指导。 (3)深度学习在超分辨率问题上能取得较好的质量和速度。 图1展示了本文中的方法与其他方法的对比结果:

    02
    领券