MIRE_matlab_al

此代码分别用C++和matlab写的混合高斯背景建模，自适应确定高斯分量的个数，由Z.Zivkovic开发，相关文章是Improved adaptive Gausian mixture model for background subtraction。

基于retinex理论的图像去雾代码。本代码实现基于Retinex理论的三种方法，分别为单尺度Retinex，多尺度Retinex，以及自商图像方法。直接运行每个文件夹下的test文件就可以得到对应的方法的处理结果。

使用canny算子进行边缘检测，带有测试图片，其中包含已经编译好的部分代码，可以直接运行

classification_colormap_pauli_C3，SAR图像，用于pauliRGB分解显示。将全极化影像进行PauliRGB分解后，产生的三分量，进行编码设色，合称为PauliRGB图像。

应用背景灰度形态学是数学形态学处理扩展到灰度图像的基本操作与二值形态学不同的是,灰度形态学处理的是灰度数字图像而不是集合。关键技术Top一Hat运算是原始图像信号与其开运算后的信号之差,所以经Top一Hat变换处理后的图像,能抑制平缓变化的背景和不相关结构信息,提取出形状类似于结构元素的孤立目标和噪声,即可以检测出图像信号中的灰度峰值,因此Top一Hat算子具有高通滤波的特性。

你看，扫描使用智能手机的文件可以被分解成三个简单的步骤：第1步：检测边缘。步骤2：使用在图像中的边缘以找出轮廓（轮廓）表示一张纸被扫描。步骤3：应用一个透视变换，以获得所述文件的俯视图。线2-7手柄导入我们需要必要的Python包。我们将通过导入我上周讨论了我们four_point_transform功能启动。我们也将使用imutils模块，它包含了方便功能调整大小，旋转，裁剪和图像。你可以在我的基本的图像操作后阅读更多关于imutils。接下来，让我们从进口scikit图像的threshold_adaptive功能。该功能将帮助我们获得了“黑与白”感觉我们的扫描图像。最后，我们将使用NumPy的数值处理，argparse解析命令行参数，并CV2我们OpenCV的绑定。第10-13行手柄解析我们的命令行参数。我们只需要一台交换机的形象，--image，这是路径包含我们要扫描的文档的图像。现在，我们有路径，我们的形象，我们可以继续前进步骤1：边缘检测。第61行执行翘曲改造。事实上，所有的繁重被four_point_transform函数处理。同样，你可以阅读更多关于上周的帖子在此功能。我们将通过两个参数为four_point_transform：第一个是我们的，我们装过盘原始图像（不是大小之一），第二个参数是代表文件，乘以调整大小比例的轮廓。所以，你可能会奇怪，为什么我们乘以调整比例是多少？我们乘了调整后的比率，因为我们进行边缘检测，发现轮廓高度= 500像素的调整后的图像上。然而，我们希望将原来的图像，而不是调整大小后的图像上执行扫描，从而我们通过调整大小比率相乘的轮廓点。要获得黑白的感觉的形象，我们再采取扭曲图像，将其转换为灰度和应用自适应阈值上线65-67。

从opencv/sample里获得cvInRangeS函数可用于检查一个矩阵中的像素灰度值是否属于某一指定范围。并且可以输出一个单通道矩阵来进行标识。

这是试图将像素坐标转换从位图加载到 Timage 到纬度和经度。 它包括显示纬度和经度为东、 西、 北和南的可能性。 我正在研究以及到 DMS 转换 （尚未实施） 这是在本机 Delphi 7，没有花哨的组件安装 （在我看来相当讨厌) 编码 沃尔夫勒姆

视频压缩程序，图像处理的方法判别视频中是否有人，然后压缩视频。编译可直接运行

应用背景 在线软件制作中，需要拍照上传图片，并对拍照所得图片进行处理； 将图片画在canvas画布中，对图片进行像素级的处理 关键技术canvas是HTML5新增的标签，结合JS可以实现对图像的像素级处理，这对开发在线图像处理软件提供了便利