189 8069 5689
在textbox中的是字符串，所以，你需要对字符串进行处理。
创新互联建站主要从事成都做网站、网站建设、外贸营销网站建设、网页设计、企业做网站、公司建网站等业务。立足成都服务岚皋,10多年网站建设经验,价格优惠、服务专业,欢迎来电咨询建站服务:18980820575
首先获取到字符串的数字，存储在两个变量中然后取得操作符，通过select case或if elif进行判断，从而在textbox2中显示。
注意只能对整型执行按位运算。浮点值必须转换为整型后，才能执行按位运算。按位运算采用二进制（以 2 为基）形式计算两个整数值。它们比较对应位置上的位，然后基于比较的结果赋值。下面的示例演示了 And 运算符。复制Dim x As Integerx = 3 And 5 前面的示例将 x 的值设置为 1。发生这种情况的原因如下：这些值以二进制形式处理：二进制格式的 3 为 011二进制格式的 5 为 101And 运算符比较这些二进制表示方式，一次比较一个二进制位置（位）。如果给定位置的两个位都为 1，则将 1 放在结果中的该位置。如果任何一个位是 0，则将 0 放在结果中的该位置。在前面的示例中，按如下所示计算结果：011（二进制格式的 3）101（二进制格式的 5）001（二进制格式的计算结果）计算结果以十进制形式处理。值 001 是 1 的二进制表示形式，因此 x = 1。除了在任何一个比较位是 1 或两个比较位都是 1 的情况下将 1 赋予结果位以外，按位 Or 运算与此类似。Xor 在比较的位正好只有一个是 1（而不是两者都是 1）时将 1 赋给结果位。Not 采用单个操作数并反转所有位（包括符号位），然后将该值赋予结果。这意味着，对于有符号正数，Not 始终返回负值，而对于负数，Not 始终返回正值或零。AndAlso 和OrElse 运算符不支持按位运算。 追问： 好复杂啊...还是不会,还有整数怎么转换为二进制数? 回答： 为什么一定要用位运算呢，你那个乘法只能通过左移操作符“ ”来进行，而左移一次代表乘以2，要是乘以一个小数，就必须先化成2的n次方，不够再用加减法调整，很麻烦啊，没必要用位运算啊。。。 追问： 因为我要进行大量的运算,但速度要快,所有用位运算...我也不想啊.. 回答： 那就不该用VB 啊，c/c++在执行效率上是没话说的。 追问： 问题就是不会嘛... 回答： 那你上csdn上发帖效果应该不错 追问： CSDN发了,我发在高性能运算,没人... 回答： 耐心一些，或者你应该发到VB.NET论坛那里。。。 追问： 额..只能这样了... 提问者 的感言： 太复杂了..算了 2010-11-08
R/G/B值最小是0最大是255属Byte值类型
Dim cr As Color = 控件.BackColor '获取控件背景色
Dim alpha As Byte = cr.A '透明度
Dim R As Byte = cr.R 'R值
Dim G As Byte = cr.G 'G值
Dim B As Byte = cr.B 'B值
Dim outAcr As Color = Color.FromArgb(alpha, R, G, B) '创建带有透明通道的ARGB颜色
Dim outcr As Color = Color.FromArgb(R, G, B) '创建不透明的RGB颜色
图像二值化的目的是最大限度的将图象中感兴趣的部分保留下来，在很多情况下，也是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。这个看似简单的问题，在过去的四十年里受到国内外学者的广泛关注，产生了数以百计的阈值选取方法，但如同其他图像分割算法一样，没有一个现有方法对各种各样的图像都能得到令人满意的结果。
本文针对几种经典而常用的二值发放进行了简单的讨论并给出了其vb.net 实现。
1、P-Tile法
Doyle于1962年提出的P-Tile (即P分位数法)可以说是最古老的一种阈值选取方法。该方法根据先验概率来设定阈值，使得二值化后的目标或背景像素比例等于先验概率，该方法简单高效，但是对于先验概率难于估计的图像却无能为力。
2、OTSU 算法（大津法）
OSTU算法可以说是自适应计算单阈值（用来转换灰度图像为二值图像）的简单高效方法。1978 OTSU年提出的最大类间方差法以其计算简单、稳定有效，一直广为使用。
3、迭代法（最佳阀值法）
(1)． 求出图象的最大灰度值和最小灰度值，分别记为Zl和Zk，令初始阈值为：
(2)． 根据阈值TK将图象分割为前景和背景，分别求出两者的平均灰度值Z0和ZB:
式中，Z(i,j）是图像上(i,j)点的象素值，N(i,j)是(i,j)点的权值，一般取1。
(3)． 若TK=TK+1，则所得即为阈值，否则转2，迭代计算。
4、一维最大熵阈值法
它的思想是统计图像中每一个灰度级出现的概率 ，计算该灰度级的熵 ,假设以灰度级T分割图像，图像中低于T灰度级的像素点构成目标物体（O），高于灰度级T的像素点构成背景（B），那么各个灰度级在本区的分布概率为：
O区： i=1,2……,t
B区： i=t+1,t+2……L-1
上式中的 ,这样对于数字图像中的目标和背景区域的熵分别为：
对图像中的每一个灰度级分别求取W=H0 +HB，选取使W最大的灰度级作为分割图像的阈值，这就是一维最大熵阈值图像分割法。