VS平台下的立体匹配

纹理相机的标定算法,象素为4096*2048,在不同角度拍摄的情况下通过验证,几乎100%的通过率,

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

打开图片，支持bmp格式，需要黑色背景的图片，大小小于384*288比较好，设置好要检测的圆的个数，圆的半径等参数，点击按钮，可以得到圆心与圆的轮廓图片。

这里在VS2010和opencv的环境下编码的调取摄像头并对摄像头捕捉到的图像进行处理。 第一步：初始化摄像头。 第二步：设置图像属性。 第三步：获取一帧图像。 第四步：显示图像cvshowimage()。 第五步：保存图像。 第六步：对图像进行阈值分割。 第七步：对图像进行二值化处理。 将彩色图片转化为灰度图片

http://en.wikipedia.org/wiki/Metropolis-Hastings_algorithm 大都会-黑斯廷斯算法是马尔科夫链蒙特 Carlo 方法获取从概率分布的随机样本序列为直接采样是困难的。序列可以用 近似分布。 下面的代码是算法的大都市-黑斯廷斯，一个简单的实现这些代码根据 linux 运行系统。 编译，并也可以用在 Windows 操作系统中。 Metropolis_demo.cpp 是一个演示取样高斯分布。 在 matlab 才能看到结果运行 metropolis_demo.m。您可以修改 metropolis_demo.cpp 适应代码到你自己的问题。

资源描述这是必要的混合的片段的图片（混合随机顺序），然后将其放置在他们的地方。要做到这一点，按鼠标左键并按住它，拖动它的位置的片段。当你发布的“源”和“目标”的片段进行交换。经过适当的比对的片段将是奖图片。

应用背景本程序实现了多层小波变换及反变换，小波图像去噪是小波应用较成功的一个方面,其中小波阈值法图像去噪算法简单、计算量小,得到了广泛的应用。在小波阈值去噪的基础上,本程序实现了基于边缘检测的小波阈值图像去噪算法,把高频中的边缘细节与噪声更好地分离开,在主观和客观上去噪效果都比单纯的阈值去噪有所改进。 关键技术基于小波变换的图像去噪一般由三个步骤来完成:(1)小波变换;(2)对小波系数进行处理,以滤除噪声;(3)小波逆变换。小波去噪的核心是在上述第二个步骤中按照一定的准则对小波系数进行修改,在不损失过多细节信息的前提下,达到降低或去除噪声的目的。

应用背景meanshift经常用来寻找模态点，即密度最大的点。所以这里同样可以用它来寻找这5维空间的模态点，由于不同的点最终会收敛到不同的峰值，所以这些点就形成了一类，这样就完成了图像分割的目的，有点聚类的意思在里面。关键技术首先设置好参数，然后用函数pyrMeanShiftFiltering()对输入的图像进行分割。分割后的结果保存在该函数的第二个参数即输出图像中，最后根据该分割图像的特点用floodFill()函数对其分割的结果用不同的颜色进行填充。当然该函数的使用暂时没有彻底的弄清楚。

如图 1 所示，I 为待修复图像，Ω为待修复区域，其边界为 ∂Ω ，Φ为待修复图像的已知区域。Criminisi 算法的思想就是在边界 ∂Ω 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

本代码是使用matlab实现的LBP算法，适合于初学者进行学习研究，如果在学习中间遇到问题，欢迎大家相互交流学习，共同进步提高。