opencv 图像处理

这个职位的目的是提供简要概述了如何使用纹理信息，利用 Matlab 的图像分类。基本上，我们想要做的是从一组标记描述纹理的图像纹理分类器的学习。然后，我们将使用的学习分类器提供类标签标记的图像。（从网站：http://www.alceufc.com/2013/09/texture-classification.html)

验证码识别系统(通用验证码识别引擎)v2.1 绿色官方版 四大类识别模式：分割识别、混合识别、整体识别、快速识别，能有效识别字符扭曲，粘连，重叠的验证码。独有的整体识别模式，图像无需分割，甚至不需 要降噪即可识别，对于干扰点，干扰线无法清除干净的图像特别有效！！新增快速识别模式，多达上千的字模也可以把识别时间控制在几十毫秒。识别验证码更准 确。 三大类分割模式：自动分割，平均分割，垂直分割，图像分割更轻松。 十大类处理滤镜：将近40种的图形处理滤镜，全部自行编写底层代码，再复杂的验证码也可以有效处理，迅速得到清爽的二值化图像。处理验证码图形更容易。 强大的字模制作和管理界面：极大节省制作字模时间，轻点鼠标即可一次性得到几十个甚至几百个字模，你唯一要做的就是输入字模对应的字符。 先进的识别加速技术：双重加速机制，有效提升验证码识别速度，达到了识别速度与准确性的平衡。 提供支持C#, VB.Net, VB, VC, Delphi, C++Builder、VFP、易语言等各种语言调用的标准DLL文件。 注：演示版无法发布识别库，需要更高级功能，请联系作者购买正版！

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。

此代码是为了改变图像灰度。这个程序使用Microsoft Visual Studio，代码块等（Visual C++为基础）。图像处理的现代技术。所以喜欢它。

================================================================================ MICROSOFT 基础类库： 详细项目概述 =============================================================================== 应用程序向导已创建这个详细的应用程序 你。此应用程序不仅演示使用了微软的基本知识 但基础类也是您编写应用程序的起始点。 此文件包含的你会发现在每个文件的摘要， 请您详细的应用程序。 VidCap.vcproj 这是使用应用程序向导生成的 VC + + 项目的主项目文件。 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

针对满文文字的特点，利用基于主轴的投影法进行文字分割，该程序可以将满文文字分割成单个满文字母，分割准确率较高。

FPGA+i2c控制ov7670+SDRAM FIFO送至vga显示，转载于bingo，纯verilog，欢迎移植。由电子技术与应用论坛的bingo编写，同时也配备有详细的ov7670开发文档。有需要的同学可以在电子技术应用group搜索bingo即可。从开发板的设计，摄像介绍到整个工程的详解，一应俱全，非常适合刚刚接触ov7670的朋友。

能够对给定文件的图像的纹理进行分析，提取相关的数据：包括能量、熵、惯性矩、局部平稳性、相关等信息，并显示分析结果

特征选择也叫特征子集选择 ( FSS , Feature Subset Selection ) 。是指从已有的M个特征(Feature)中选择N个特征使得系统的特定指标最优化。向后搜索（ SBS , Sequential Backward Selection ）：从特征全集O开始，每次从特征集O中剔除一个特征x，使得剔除特征x后评价函数值达到最优。向前搜索（ SFS , Sequential Forward Selection ）：特征子集X从空集开始，每次选择一个特征x加入特征子集X，使得特征函数J( X)最优。简单说就是，每次都选择一个使得评价函数的取值达到最优的特征加入，其实就是一种简单的贪心算法。

采用VS2010编写，添加了OPENCV来处理图片。通过VS2010中选择VC++编写相应程序，利用MFC编辑窗口，可以直接控制打开图片。来实现打开图片的功能。原程序从网上下载，经过修改，可以运行。