二维图像处理

在 C# 中使用 Emgu CV （OpenCV.NET 中） 摄像头人脸检测它是如何执行你的相机用的人脸检测 / 网络摄像头。那麼会看到您的应用程序可以从捕获的图像的脸的检测。好奇吗？Let 的看一看如何做到这一点。这需要遵循本教程：Microsoft Visual Studio 2010。或者如果你从不没有之一，您可以使用 2008 年版Emgu CV （OpenCV.NET 中）。您可以下载此链接： http://www.emgu.com/wiki/index.php/Main_Page 中的最新版本并按照安装说明C# 编程的基本知识你应该做的第一件事安装 Emgu 的简历。安装路径应该像 C:Emguemgucv-windows-x 86 2.2.1.1150。你可以看到 insideC:Emguemgucv-windows-x 86 2.2.1.1150bin 一些 Dll 和示例程序现在，看到的人脸检测的代码

资源描述delphi界面下的模糊C均值图像分割程序，可以在MyFile.txt文件中查看每次迭代的结果。

资源描述 代码是通过MFC+HALCON10.0的库来实现的， 思路是自己写的，底层代码用halcon实现。  利用halcon的模板学习功能来判断元器件的正反，使用的是形状匹配的原理。 同时通过颜色统计的方式来判断元器件上的脏污和是否混料。

应用背景基础轮廓查找——findContours+drawContours；开发测试所用IDE版本：Visual Studio 2012。-Program description: Based on 2.4.4 Function: base profile Find findContours+drawContours development and testing of the operating system: Windows 7 64bit IDE version used for development testing: Visual Studio 2010关键技术opencv2.4+vs2012对图像中的轮廓进行提取，查找

影像的任意角度旋轉. 影像旋轉任意角度：. 旋轉 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

这是一个特别适合初学图像处理的人看的程序，在MFC的平台上加入了opencv，利用简短的代码实现一些非常酷炫的功能，让人形象的感觉到opencv在图像视频方面的强大之处，让你感受编程的乐趣。

matlab 程序代码来计算编码 h.264 值 在计算能力和技术最近的增长推动了需要高度安全的数据通信。安全通信的最佳技术之一是信息的隐写术的隐藏的传达到存在一种艺术。加密技术，称为双隐写术，结合使用隐写术的过程开发一个坚固的模型，在确定任何隐藏和加密的数据中添加很多的挑战。使用加密技术来加密数据之前传输可能会阻止任何类型的安全问题。但伪装加密数据的外观可能会引起怀疑。因此使用内隐写术的密码系统，引起的双隐写术，将提供更好的安全性改进的版本。提出了隐藏数据与二能级的安全性，以嵌入数据加上良好的感知透明性和高负载能力的一种技术。提出了一种新型的数据隐藏直接在 H.265/HEVC 视频流的压缩版本，其中包括以下三个部分，即数据加密、 视频压缩、 数据嵌入和提取数据。通过分析 H.265/HEVC 编解码器，码字的快速模式的属性码字的运动矢量差异都用以掩饰视频流中的数据。数据隐藏是直接在压缩的 H.265/HEVC 视频码流进行的。这项计划可以确保格式的法规遵从性和严格的 file 大小保存。

使用说明第一步：训练网络。使用训练样本进行训练。（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别）第二步：识别。首先，打开图像（256色）；再次，进行归一化处理，点击“一次性处理”；最后，点击“R”或者使用菜单找到相应项来进行识别。识别的结果显示在屏幕上，同时也输出到文件result.txt中。该系统的识别率一般情况下为90%。此外，也可以单独对打开的图片一步一步进行图像预处理工作，但要注意，每一步工作只能执行一遍，而且要按顺序执行。具体步骤为：“256色位图转为灰度图”－“灰度图二值化”－“去噪”－“倾斜校正”－“分割”－“标准化尺寸”－“紧缩重排”。注意，待识别的图片要与win.dat和whi.dat位于同一目录，这两文件保存训练后网络的权值参数。具体使用请参照书中说明。

图像处理VC++框架和代码，包括点运算，线性变换，频域变换，复原，形态学，分割，滤波等等功能

此脚本将生成和绘制的三维数据，并执行 principalcomponent 分析侯选数据，并减少特征空间的维数。注意那 matlab 具有优化的功能来执行 PCA： princomp () 但是，在此脚本中我们 PCA 手动执行通过计算特征向量，示范助学。