仪器设备采集图像作图像处理

多尺度图像非下采样轮廓波变换(NSCT)的工具箱,实现代码为Matlab版本。可用于图像的多尺度分析,如图像压缩、图像分割、图像融合和超分辨率等。

用于三维或二维图像的配准，或三维人脸识别，迭代最近点的目的是求出一个刚体变换矩阵，将两幅图像用数据点表示，一幅图像乘以这样一个刚体变换矩阵就可变换到另一副图像上去

基于Qt平台开发的图片无损压缩，有简单的UI界面，图片输入格式为PNG，压缩为无损压缩，利用像素有效编码和解码

图像分割包括：区域法、边界分割法、边界形成法。本例介绍的是像素聚类法（区域法）

该算法在检测到人脸并定位面部关键特征点之后，主要的人脸区域就可以被裁剪出来，经过预处理之后，馈入后端的识别算法。识别算法要完成人脸特征的提取，并与库存的已知人脸进行比对，完成最终的分类。

用c和opencv实现，动态手势识别用的是hmm算法，里面有完整的HMM的实现，并实现了上下左右圆圈五种手势的识别。对于学习hmm有很大的帮助

应用背景粒子滤波技术在非线性、非高斯系统表现出来的优越性，决定了它的应用范围非常广泛。另外，粒子滤波器的多模态处理能力，也是它应用广泛的原因之一。国际上，粒子滤波已被应用于各个领域。在经济学领域，它被应用在经济数据预测；在军事领域已经被应用于雷达跟踪空中飞行物，空对空、空对地的被动式跟踪；在交通管制领域它被应用在对车或人视频监控；它还用于机器人的全局定位。关键技术粒子滤波(PF: Particle Filter)的思想基于蒙特卡洛方法(Monte Carlo methods)，它是利用粒子集来表示概率，可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法(SequentialImportance Sampling)。简单来说，粒子滤波法是指通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。这里的样本即指粒子,当样本数量N→∝时可以逼近任何形式的概率密度分布。

bundler,sfm,三维重建，冲击经典的源代码，相机标定，计算基础矩阵，冲击使用，超级实用，十分经典，张振有相机标定

MATLAB中编程，偏最小二乘回归的通用程序，输入两个矩阵，输出预测值及相关误差。

用VC6.0编写的图像拼接程序，能够将两幅有重叠的图像拼接成一整副图像，有360度全景的感觉，希望能给大家参考