基于非参数采样的视频深度提取

利用OpenCV中背景差分的函数，进行背景差分法构建，可以很好的进行运动目标检测。

第三方第三方第三方斯蒂芬斯蒂芬的djsdhsadkasjdijmkjfmdppioasjdiop

资源描述一个基于Qt平台的c++入门图形转换显示的小程序,有助于新手入门图形转换.

用VC++实现BMP图像读取，不使用现成读取函数，通过读取文件实现，能显示图像大小及位图信息，同时显示鼠标处的RGB值

 工程在源码包中的“vs工程”文件夹中，为MFC工程。

数字图像的基本代码，初学者可以看看，进一步完善也挺方便                                                   

基于opencv的图像检索系统，输入待检索图像后，选择检索库路径并选择检索方式：基于颜色特征、基于形状特征或者基于颜色和形状综合特征点击【开始检索】按钮即可得到检索结果。

资源描述 采用了边缘检测法先检测出绘图图像的边缘，再hough直线拟合，拟合出图中的直线。由于这样查找到的直线非常多，所以先筛选掉角度明显有误的直线，在剩下的直线中保留最长的一组。 然后根据栅格扫描的方式进行逐行扫秒，把得到的交点，和道路中间的灰度小块进行块匹配，因为道路的分道线和道路的颜色是不一样的，根据块匹配区分该点是在分道线上还是在道路上，统计得到中心点左右两侧最匹配的两条直线，作为检测到的道路车道线。

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。

资源描述基于opencv的图像处理程序，利用了visual studio C++的平台