Gradient-vector-diffusion-denoising

使用说明 使用时打开此例题目录下pic中的图片，然后依次单击按钮“转”、“1”、“2”、“3”、“4”和“5”，就可以实现精确的车牌定位。 具体步骤 1.24位真彩色->256色灰度图。 2.预处理:中值滤波。 3.二值化:用一个初始阈值T对图像A进行二值化得到二值化图像B。 初始阈值T的确定方法是:选择阈值T=Gmax-(Gmax-Gmin)/3,Gmax和Gmin分别是最高、最低灰度值。 该阈值对不同牌照有一定的适应性,能够保证背景基本被置为0,以突出牌照区域。 4.削弱背景干扰。对图像B做简单的相邻像素灰度值相减,得到新的图像G,即Gi,j=|Pi,j-Pi,j-1|i=0,1,…,439 j=0,1,…,639Gi,0=Pi,0,左边缘直接赋值,不会影响整体效果。 5.用自定义模板进行中值滤波 区域灰度基本被赋值为0。考虑到文字是由许多短竖线组成,而背景噪声有一大部分是孤立噪声,用模板(1,1,1,1,1)T对G进行中值滤波,能够得到除掉了大部分干扰的图像C。 6.牌照搜索:利用水平投影法检测车牌水平位置,利用垂直投影法检测车牌垂直位置。 7.区域裁剪,截取车牌图像。()

文献，基于融合和聚类的遥感图像变化检测技术(Literature, based on remote sensing image fusion and change detection clustering technology)

基于GEE平台，landsat影像的随机森立法土地覆盖分类(Land cover classification based on the random son legislation based on the GEE platform.)

归一化鬼成像计算方法，比传统鬼成像算法更快更好(Normalized ghost imaging calculation method, faster and better than traditional ghost imaging algorithm)

信号压缩传感的实现(正交匹配追踪法Orthogonal Matching Pursuit)(The realization of signal compression sensing)

一种针对光照不均且低对比度环境下的水下图像增强算法。(Underwater image enhancement algorithm in a low contrast environment)

说明：  利用matlab对图像进行双线性插值处理，具有良好的实现效果，亲测亲试。(Using matlab to process the image by bilinear interpolation, it has a good effect to realize the pro-test.)

96个蛮实用的PNG格式图标 仅供编程或图像处理使用。(96 pretty practical PNG format icon super practical!)

基于形状的灰度共生矩阵的图像检索，利用基元扫描图像(Shape-based image retrieval GLCM, using primitive scanned image)

黑塞矩阵（Hessian Matrix），又译作海森矩阵、海瑟矩阵、海塞矩阵等，是一个多元函数的二阶偏导数构成的方阵，描述了函数的局部曲率。黑塞矩阵最早于19世纪由德国数学家Ludwig Otto Hesse提出，并以其名字命名。黑塞矩阵常用于牛顿法解决优化问题，利用黑塞矩阵可判定多元函数的极值问题。在工程实际问题的优化设计中，所列的目标函数往往很复杂，为了使问题简化，常常将目标函数在某点邻域展开成泰勒多项式来逼近原函数，此时函数在某点泰勒展开式的矩阵形式中会涉及到黑塞矩阵。(Hessian Matrix, is a square matrix of the second order partial derivative of the multivariate function, which describes the local curvature of the function. The Hesse matrix was first proposed by the German mathematician Ludwig Otto Hesse in the 19th century and named after it. Hesse matrix is often used in Newton method to solve the optimization problem, using the black plug matrix to determine the extreme function of the extreme value problem.)