opencv中摄像头的调取与图像的处理

计算机X线摄影(CR)作为当前医学影像技术的主流，有非常多的优点，比如价格相对较低，数字化图像便于后期处理，特殊部位摄像的不可替代性，等。但是在实际应用过程中，CR图像的质量也受到各种因素的影响。比如失真、模糊、噪声以及各种各样的伪影等等。滤线栅伪影便是其中之一，本文主要讨论如何用数字方法去除滤线栅伪影对CR图像的影响。在X线摄影中，会产生一些方向不同的低能量的散射线，这些散射线使图像产生灰雾，影响图片的清晰、度。为了吸收这些散射线，通常使用铅条排歹lJ而成的滤线栅，但是有时滤线栅的影子会投在成像板上，形成条纹状的滤线栅伪影。通过实验，可以看到均值和中值滤波处理对于本课题意义不大，非但没有去除伪影，还造成了图像模糊，效果甚至比不上原图。空间域滤波还有最大值最小值滤波、中点滤波等等，但是对于本课题来说效果都不好。所以基本不考虑空间域滤波这个方向。

在图像处理中，即边缘检测为实时图像做处理，。可以使用 USB 摄像头或摄像头的笔记本电脑。

drawcli 利用MFC和GDI做的绘图软件，可以画直线，矩形，椭圆，可以编辑、移动、复制等功能

应用背景粒子滤波算法是一个采用蒙特卡罗采样进行贝叶斯滤波的方法。这种方法有许多的用途，但它已经成为进行物体追踪最好的方法。从概念上讲，一个粒子滤波算法包含一个被监视系统的状态的概率分布。关键技术在本项目中，状态就是指被追踪物体的位置、大小等等。在许多情况下，非线性和非高斯型在物体的运动和相似性建模上会得到一个难以处理的滤波分布。粒子滤波采用将这个分布重新表示为一组加权值，或称为粒子的方法克服了这个困难。每个粒子表示一个可能的系统状态实例。换句话说，每个粒子描述了被追踪物体可能处于的一个方位。一个粒子集包含了被追踪物体最有可能处于的方位。因此，我们可以通过寻找在粒子滤波分布中最大的权重来确定物体最有可能处于的状态。

本代码涉及到对图像读取，高斯滤波，中值滤波，最大值滤波，最小值滤波，边缘检测，图像反转，等等，对于初学图像出里的人有较好的帮助，尤其是不会弄的更有较好的参考价值

用opencv实现基于Adaboost人脸检测的程序代码码。Adaboost对于人脸检测具有很好的分类效果，主要包括矩形特征、积分图像，弱分类器、强分类器和级联分类器。opencv自带Adaboost代码，使用方便，程序内有测试图像和测试程序，在网上下载的程序，经过本人的修改，可以运行，效果很好，仅供参考。

资源描述 苹果电脑上将视频转为gif动图的小工具

图像的特征用到了Dense Sift，通过Bag of Words词袋模型进行描述 ，用BoW描述完图像之后，就可以用SVM训练分类模型进行分类。这里除了用SVM的RBF核，还定义了一种核： histogram intersection kernel，直方图正交核。实验中的图像是一些Action的图像，共6类，每一类60幅，40训练20测试。

资源描述基于opencv的图像处理程序，利用了visual studio C++的平台

生物指标是归档的生物数据的统计分析。脸是最好的生物数据最能说明一个人之一。人脸识别系统发现应用在许多领域的脸广泛公认是总是向社会开放。脸识别中人机交互、 安防系统、 社会网络等发现应用程序。