基于opencv实现sift特征提取和匹配

包括均值滤波，中值滤波，低通滤波。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。二维中值滤波输出为g（x,y）=med{f(x-k,y-l),(k,l∈W)} ，其中，f(x,y)，g(x,y)分别为原始图像和处理后图像。W为二维模板，通常为3*3，5*5区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。

可缩放图像

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。

朴素贝叶斯分类器

本文介绍了视频增强技术的方法，包括空域增强和频域增强，叙述了几种重要滤波器的优缺点及其适用范围。对有雾图像进行分析，找出雾天图像退化的主要原因是灰度值集中在一个比较高的水平。然后针对这种情况对图像进行处理，使得图像对比度增强。以直方图均衡化为主线，搭配了一些其他处理，达到了较好的处理效果。

学习图像处理的入门教程代码，有清晰的注视，详细的代码，值得刚入门学习图像处理OPENCV的同学下载下来学习。里面还有各种机器学习算法的简介，可以学习了解下。

利用SIFT算法实现图像特征点的检测与提取，再用SANSAC算法筛选优秀特征点。

在实际图像研究中，常常只有图像中那些感兴趣的目标才能为我们提供高效、有用的信息。这些目标一般对应 图像中特定的、具有独特性质的区域。图像分割就是将图像划分成若干个这样的有意义区域的过程，各区域是 具有相近特性的像素的连通集合。图像分割是数字图像处理的重要技术之一，其基础是像素间的相似性和跳变性。 图像分割技术主要分为四大类：阈值分割，区域分割，边缘检测和差分法运动分割（主要针对运动图像的分割）。

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。

边缘检测是一个非常耗时的过程。这个项目的目的是比较并找出最佳域 （频率域或空间域） 的快速边缘检测，确定最佳的方法高斯差分 sobel） 的快速边缘检测。在 matlab 环境中编写此项目。测试结果简要地叙述了下面，在大小 512 × 512 图像上运行时。狗在索贝尔在频率域-0.128717 秒时间索贝尔在空间域-0.010328 秒频率域-0.150253 秒时间在空间域中的狗-0.045588 秒时间花费的时间