directshow技术实现的摄像头拍照

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。

应用背景可应用于图像处理的图像分割部分，操作简单，只需在图像上标记你的分割区域，即同一区域画一条横线，该算法就会根据连通域和图像的边界线进行分割，分割成想要的几个区域，快速简捷，另外完全解读该图像，包括其位数，帧数等。分割后还可以进行区域标记，用于区分（如不同的颜色代表不同的区域）。关键技术 基于标记算法的分水岭分割算法，只需在图像上标记你的分割区域，，分割成期望的区域。 分割时可以把及其细致的差别也分离出来，对分割好的区域还能进行连通区域标记，可以对某一个部分进行单独处理，如红外仿真等。

这是一个基于MFC和Opencv的源代码，实现了图像轮廓线的提取，并且可以查找每个轮廓线上的点。此外，本程序还实现了分水岭分割图像。

这个例子展示了如何使用相结合的形态学的基本算子和Blob分析从视频流提取信息。在这种情况下，例数在每个视频帧的大肠杆菌数。

这是一个图像过滤代码，由c++编写，编辑器是Microsoft Visual Studio 2010，所以您必须用更高版本打开它。

来源与医疗图像通过NSCT第一变换，随后通过组合低和高频率成分。被提出并用于融合的低和高频率系数基于相位一致性和指令对比两个不同的融合规则。最后，将融合后的图像是由逆NSCT与所有的复合系数构成。实验结果和比较研究表明，该融合框架提供了一种有效的方法，使多模态图像的更精确的分析

这是一个LSB算法，用于信息隐藏的C源代码，可以通过信息隐藏技术将各种信息通过这个算法隐藏到图片里边。

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。

半马尔可夫模型，用于人体行为识别。

基于opencv的人脸表情识别，采用的是svm分类方法。SVM的思想可以概括为两点它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而 使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；