超分辨率

自己写的用opencv实现切割保存图像中感兴趣区域函数，可以在添加代码后直接调用函数实现切割

应用背景数字图像恢复是数字图像处理的一个基本的和重要的课题，它是后期图像处理（分析和理解）的前提。图像在摄取、传输、储存的过程中不可避免地引起图像质量的下降（图像退化），图像恢复就是试图利用退化过程的先验知识使已退化的图像恢复本来面貌，即根据退化的原因，分析引起退化的环境因素，建立相应的数学模型，并沿着使图像降质的逆过程恢复图像。关键技术本程序是由C++编写的，可以直接运行的源代码，实现的功能是数字图像复原技术，对已经处理过的或由于某些操作降低了质量的图像进行复原。

应用背景boosting算法训练了T个弱分类器ht,t∈{1,....,T}.这些弱分类器很简单.大多说情况下,它们只是包含一次分裂(称为决策stumps)或仅有几次分裂(可能到3次)的决策树.最后做决定的时候将复制权重αt给每个分类器.AdaBoost训练时输入的特征向量是xi,向量的类别标签是yi(这儿i=1,...,M,M是样本总数),且yi∈{1,-1}.关键技术1.在Release下进行调试 2.指定文件保存路径，如：char* filename_to_save = "F: estdataoutput.xml"; 3.选用训练的方法，如method = 1; 4.这步需要使用模型的时候再指定，训练的时候设置为char* filename_to_load = 0;使用模型的时候指定，如char* filename_to_load = "F: estdataoutput.xml";

自寫的一個bmp讀取程序. 主要包含4個.h文件,可以通過直接include來對程序進行複用. 本程序對bmp的8位和24位統一了接口.

1.根据训练文件夹中的图像训练单词表。在每一张图像中提取sift点，将从所有图像中得到的128维sift点进行聚类，类别数就是单词数，聚类中心就是单词，将得到的单词表保存下来。 2.对于每一张新的图像，先提取图像中的sift点，按照之前训练好的单词表将每个sift点对应成某个单词，统计在这幅图像中每种单词的数量，就是词包模型。 注意：生成的文件每行代表一幅图像，将文件复制出来后修改后缀成.doc可以用word打开。 首先运行centr3得到单词表，在运行bagofword生成单词包。

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。

它是一个用于生成新图像的源代码，在该源代码中，它删除了图像的透视效果，并生成一个从顶部看到的图像，或者可以说鸟瞰图像

ijl工程文件， #ifdef IJL_MSEXPORTS   #define IJLFUN(type)             extern __declspec(dllexport) type IJL_STDCALL   #define OWNFUN(type) 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

基本矩阵可以通过一组对应点确定。这个程序演示了这一问题的榜样。基本矩阵是约束的投影点从现场可以发生在这两个图像的同一场景的任何两个图像之间的关系。

应用背景此源代码为背景扣除模型。背景扣除模型是目标跟踪中的重要部分。这个方法是很容易的，高质量的结果。关键技术盛传的方法很好。在背景建模如MOG，mog2，GMG的许多方法，自适应背景建模等。感觉是很好的方法，比。