opencv 图像处理

图像LBP特征提取，适合初学者用来提取图像的local binary pattern特征，较详细的代码，可用于特征检测，目标识别，人脸识别等应用中

图片由彩色转换为灰度可以通过“平均法” 、 “敏感度法” 、 “直接法”来实现使用“保存” 、 “上页” 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

VTK ,三维重建, 程序.

于仕琪翻译的OPENCV 学习，1-9章主要算法的VC实现，我已经调试OK，对于初学者有很高的参考价值。总共近50个算法的实现，非常超值！所有的例子调试合格，适合初学者在OpenCV中学习。欢迎与我讨论。

应用背景人脸检测算法的可靠性很大程度上依赖于分类器的设计，在2001年，Viola和Jones两位大牛发表了经典的《Rapid Object Detection using a Boosted Cascade of Simple Features》和《Robust Real-Time Face Detection》，在AdaBoost算法的基础上，使用Haar-like小波特征和积分图方法进行人脸检测，他俩不是最早使用提出小波特征的，但是他们设计了针对人脸检测更有效的特征，并对AdaBoost训练出的强分类器进行级联。关键技术 人脸检测从整体来看分为四个部分： 1、Face detection 人脸识别，即识别出这是人的脸，而不管他是谁的。 2、Face preprocessing 面部预处理，即提取出脸部图像。 3、Collect and learn faces 脸部的特征采集和学习 4、Face recognition 脸部识别，找出最相近的相近脸部图像。

实时图像处理与计算机视觉进行优化应用程序 OpenCV 的主要接口是在 c + + 另外还有 C、 Python 和 JAVA 接口 OpenCV 应用程序在 Windows、 Linux、 Mac、 Android iOS 上运行 针对英特尔处理器优化 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

图像增强技术是图像处理领域中的基本技术之一。图像增强的目的是信息的改进的可解释性或感知在图像中的人类的观众，或为其他自动化图像处理技术提供更好的投入。近年来，灰度图像增强技术发展迅速。这些算法有一定的灰度图像增强的效果。然而，我们通常处理在日常生活中的彩色图像。由于诸多因素，如有限的动态范围、 照明的影响和显示设备，获得的图像质量的下降，这意味着许多重要的信息很难被人告诉 的眼睛。同时，它是不适合直接使用灰度图像增强技术的彩色图像。因此，我们需要开发彩色图像增强技术，处理的问题。与灰度图像相比，彩色图像仍有颜色的信息，所以那彩色图像是灰度图像比更生动。现在，基于人眼视觉特性，许多彩色图像增强算法已被提出。Retinex 是一种有效技术的彩色图像增强，可以产生很好的增强的效果。但增强的图像具有颜色失真和计算比较复杂。一种鲁棒的彩色图像增强算法。该算法可以提高彩色图像不失真，但彩色图像的边缘不能处理得好。该算法使用高斯滤波估计的背景图像。高斯核函数是各向同性，这会导致不准确估计的背景图像，从而导致的光晕现象。提出的算法包括三个主要部分 （1） 获得亮度的图像和背景图像，（2） 自适应调整，(3) 彩色恢复。

基于OPENCV开发的掌静脉识别程序，MFC设计。用掌静脉进行身份认证时，获取的是掌静脉的图像特征，是掌活体时才存在的特征。掌静脉识别仪是利用掌静脉识别技术原理进行工作的门禁机，掌静脉识别是静脉识别的一种，属于生物识别，掌静脉识别系统就是首先通过静脉识别仪取得个人掌静脉分布图，从掌静脉分布图依据专用比对算法提取特征值，通过红外线CCD摄像头获取手指、手掌、手背静脉的图像，将静脉的数字图像存贮在计算机系统中，将特征值存储。

matlab练习程序（图像马赛克）处理原理就是将邻域像素平均值赋给邻域中的所有像素。这里将处理方法分为了带线条和不带线条，带线条处理后的视觉效果要好些。 

基于opencv的人脸检测代码，适合初学者使用多个弱分类器集成的方法，机器学习中的弱学习到强学习，集成的关键是投票，最简单的方法是“绝对多数”的方法