matlab 的人脸检测

图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。如：大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域，对应的频率值较高。傅立叶变换在实际中有非常明显的物理意义，设f是一个能量有限的模拟信号，则其傅立叶变换就表示f的谱。从纯粹的数学意义上看，傅立叶变换是将一个函数转换为一系列周期函数来处理的。从物理效果看，傅立叶变换是将图像从空间域转换到频率域，其逆变换是将图像从频率域转换到空间域。换句话说，傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数。

整个是一个粗糙的水彩化效果程序，通过若干种图像 运算算法得到，几何运算，代数运算，膨胀 扩散 求边缘等

摘要：故障诊断起着物理的重要作用 故障分析与产量的学习过程。随着数百亿 晶体管被集成在一个芯片上，多个故障可能 存在的。随着多个故障，故障屏蔽和加固效果 可能会出现。它们可能会导致基于单故障常规 诊断方法，如在一个时刻的单个位置（SLAT） 为无效。如果没有流行的SLAT方法失败 够SLAT图案可以由单个stuckat说明 故障。此外，一个真正的硅缺陷可能表现为不同 故障在不同的故障模式模型（DM），它可 无效使用单故障模型的方法SLAT 在所有失败的模式。在本文中，我们介绍的概念 故障元件，支持多种故障模型，并使用faultelement 图（FEG）考虑故障屏蔽和加固 多故障之间的影响。基于所有失败的FEGs 模式，最有可能的故障位置和故障的因素 被反复识别。同时，FEGs是迭代地 修剪跟踪的其余多个故障的影响，直到 所有的故障点被确定，所有的FEGs减少 为null。实验表明，该诊断 方法可以识别，即使在​​多个故障的位置 DM具有较高的诊断精度和分辨率。 关键词：故障诊断，故障元件，故障元件 图（FEG），多种故障模式，多重故障。

用实际数据来编译，运行过，没有错误与大家分享。 。 。 。FFT是一种快速算法的离散傅立叶变换，一信号可以转化到频域。在时域中的一些信号是很难看到什么功能，但是作为如果转换到频域后，很容易地看到该功能。这是一个很大的信号分析利用FFT变换的原因。另外，一个信号的FFT频谱可以是提取，其中，所述频谱分析经常被使用。虽然很多人都知道FFT是什么，可以做什么，怎么这样做，但不知道的是，即使FFT结果平均后，如何使用的决定多少个点做FFT。

与Fourier变换相比，小波变换是空间（时间）和频率的局部变换，因而能有效地从信号中提取信息。通过伸缩和平移等运算功能可对函数 请点击左侧文件开始预览 ！预览只提供20%的代码片段，完整代码需下载后查看 加载中 侵权举报

这是对于在所撰写用matlab光学字符识别。这代码的一个例子。光学字符识别（OCR）的目标是光学图案分类（通常含有在数字图像）相对应的字母数字或其他字符。 OCR的过程包括几个步骤，包括分割，特征提取和分类。每这些步骤本身就是一个场，并简要介绍了这里的Matlab的背景下实现OCR的。

资源描述应用图像处理就行人脸识别，通过调用opencv库进行处理。主要进行特征点提取。开发环境为Visio studio +opencv。用c++语言进行开发，程序简介简单，亲测好用

资源描述亮度变换是指图像在空域上的点运算，通常包括图像增强，亮度对比度调节，GAMMA值调节和直方图调整等等。源代码给出的示例说明了如何改变图像的亮度和对比度，以及如何进行图像的GAMMA值调整。

我上传的这个Matlab源程序代码是Gabor滤波器在Matlab下的源代码，内容详细，对初学者来说是很好的资源，很容易就看明白，而且直接在工作空间中运行就会得到结果

matlab练习程序（弧形投影） 这个其实也算是圆柱体投影了，不过上一篇文章是从正面看，得到的是凸形的结果，而这个是从反面看，得到的是凹形的结果。计算公式就不写了，大致介绍一下，计算公式中关于x坐标求法和上篇一样，y坐标则正好是上篇公式的反变换，结合上篇公式代码和本篇的代码，应该都不是很难理解的。