一种基于区域显著性的红外图像目标分割方法

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

应用背景用于android图片处理图形，自己可以任意的变换自己喜欢的图形关键技术使用到的是遮罩，这种做法是被认为i，所推荐的

无背景透明播放flash程序c++源码vs2010FLASH，可以播放flash达到无背景透明的效果，编译通过。

蚁群优化 (算法 ACO) 算法是相对较新的元启发式算法和所有算法，利用 insectpsilas 行为的一个成功范例。它被应用，以解决许多优化问题与好自由裁量权、 并行、 鲁棒性和积极的反馈。作为一种先进的优化算法，只是最近，研究人员开始将蚁群算法应用于图像处理的任务。在此文件中，建议使用蚁群算法改进的图像阈值分割方法。与传统的阈值分割方法相比，所提出的方法具有优势它可以很好地部分薄、 它可以有效地减少计算时间，它有很好的能力和稳定性质。调查结果显示使用所提出的方法可以实现令人满意的分割效果。

Harris检测角点的方法，能够很好的检测出棋盘格内的角点数目，基本无误检。

颜色反卷积对执行组织病理学图像，然后阈值它使用 ostus 方法。最后确定的边界...

GDAL通过RasterIO读写图像文件，数据集的创建，图像相关信息的获取，从而实现GDAL 切图功能，实现的切图可以在网络地图上使用。

所谓粒子滤波就是指：通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数，用样本均值代替积分运算，进而获得系统状态的最小方差估计的过程，这些样本被形象的称为“粒子”，故而叫粒子滤波。

资源描述亮度变换是指图像在空域上的点运算，通常包括图像增强，亮度对比度调节，GAMMA值调节和直方图调整等等。源代码给出的示例说明了如何改变图像的亮度和对比度，以及如何进行图像的GAMMA值调整。

K均值聚类法分为如下几个步骤： 一、初始化聚类中心 1、根据具体问题，凭经验从样本集中选出C个比较合适的样本作为初始聚类中心。 2、用前C个样本作为初始聚类中心。 3、将全部样本随机地分成C类，计算每类的样本均值，将样本均值作为初始聚类中心。 二、初始聚类 1、按就近原则将样本归入各聚类中心所代表的类中。 2、取一样本，将其归入与其最近的聚类中心的那一类中，重新计算样本均值，更新聚类中心。然后取下一样本，重复操作，直至所有样本归入相应类中。 三、判断聚类是否合理 采用误差平方和准则函数判断聚类是否合理，不合理则修改分类。循环进行判断、修改直至达到算法终止条件。