Special-Project

说明：  直方图均衡化的一个程序，只能对BMP的黑白图像进行直方图均衡化(A histogram equalization process, only black and white BMP image histogram equalization)

对输入的一张彩色图像，自己写代码实现Harris Corner 检测算法： 1. 不能直接调用OpenCV 里面与Harris 角点检测相关的一些函数； 2. 只能用C/C++，不能用其他语言； 3. GUI 只能用自带的HighGUI，不能用QT 或其他的； 4. 平台可以用Windows， Linux, MacOS； 5. 显示中间的处理结果及最终的检测结果，包括最大特征值图，最小特征值图，R 图（可以考虑彩色 展示），原图上叠加检测结果等，并将这些中间结果都输出成图像文件； 6. 命令格式： “xxx.exe 图片文件 k 参数(=0.04) Aperture_size(=3)”。(The input of a color image, write your own code to achieve Harris Corner Detection Algorithm: 1. Can not be called directly inside OpenCV some functions associated with the Harris corner detection 2. To only use C/C++, can not be used in other languages 3. GUI only with their own HighGUI, can not use QT or other 4. The platform can be used Windows, Linux, MacOS 5. Display intermediate and final results of the test results, including the largest eigenvalues diagram, the minimum feature value graph , R chart (you can consider color display), picture superimposed on the test results, etc., and these intermediate results are output as an image file 6. Command Format: " xxx.exe picture file k parameters (= 0.04) Aperture_size (= 3 ). " )

canny边缘检测（自动设置Sigma的高斯平滑+Sobel(原始)+自适应直方图阈值）(canny edge detection (automatically set Sigma Gaussian smoothing+ Sobel (original)+ adaptive histogram threshold))

计算三维数据的法矢量并进行调整，里面包括了自己做的实验数据和结果(Three-dimensional data, vector calculation method and make adjustments, which includes the make their own experimental data and results)

图像相似性检测的PPT，比较全面的总结，对主要用到的特征提取和特征匹配算法都有基本的介绍。(Image similarity detection of PPT, a more comprehensive summary of the main use of the feature extraction and feature matching algorithm has the basic The introduction.)

这里的图像增强包括灰度修正、平滑、滤波、锐化等，是图像处理的基本操作，本代码调试通过(Here, including gray-level correction image enhancement, smoothing, filtering, sharpening, etc., is the basic image processing operations, the code debugging by)

VC中绘制坐标系、网格、常用数学函数以及辅助功能（背景色切换、坐标标题修改等）(vc draw)

说明：  一个简单的画图程序，提供基本图元点、线、面，图元填充、裁剪的操作(Simple Draw)

说明：  LSA的第一步是要去创建词到标题（文档）的矩阵。在这个矩阵里，每一个索引词占据了一行，每一个标题占据一列。每一个单元（cell）包含了这个词出现在那个标题中的次数。例如，词”book”出现在T3中一次，出现在T4中一次，而”investing”在所有标题中都出现了一次。一般来说，在LSA中的矩阵会非常大而且会非常稀疏（大部分的单元都是0）。这是因为每个标题或者文档一般只包含所有词汇的一小部分。更复杂的LSA算法会利用这种稀疏性去改善空间和时间复杂度。(The Little Book of Common SenseInvesting: The Only Way to Guarantee Your Fair Share of StockMarket Returns ,)

非常好的klt算法的事例程序源码，大大家多多下在亚，谢谢大家乐 (Very good klt algorithm example program source code, large lot next in Asia, and thank you for music)