evaluate

使用PCL库进行点云投影，朱德海《点云库PCL学习教程》第二章示例代码(Example code for Lidar cloud data projection)

此篇论文是利用稀疏低秩矩阵分解来实验的鲁棒图片的矫正。(This paper is the use of sparse low rank matrix decomposition to experimental robust image correction。 )

采用模版匹配方法进行文字、局部图像的匹配....采用ssda算法(The template matching method for text, local image matching... The ssda algorithm)

如题，matlab手写数字测试图像处理 样本（30+50个）加全代码加测试结果(Like title, matlab handwritten digital test image processing samples (30 + 50) plus full code plus test results)

高效的文章分句算法程序,将由标点符号分开的语句的起始位置和结束位置记录到结构体里()

通过用户给定的标签信息，来提取图像中的标记像素点位置，保存为种子点(Through the label information given by the user, the position of the label pixels in the image is extracted and saved as seed points.)

Ransac拟合直线和最小二乘法拟合的比较，对初次接触ransac的读者帮助很大(Ransac fitting straight line and the least-squares fitting of the comparison, the initial contact with the readers of great help to ransac)

说明：  程序功能是把一副倾斜的文字图像矫正过来，通过边缘检测再进行霍夫变换完成(The program function is to correct a skewed text image.)

说明：  对于双基地SAR，基于IDL语言使用BP算法进行成像，以及显示回波信号。(For Bistatic SAR, BP algorithm is used to image and display echo signal based on IDL language.)

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。()