面对识别 + 主成分分析 （PCA）

LBF(Local Binary Fitting)模型是一个著名的基于区域的活动轮廓模型。该模型利用局部图像信息（主要是数字图像的局部均值信息），能够对强度分布不均匀的数字图像进行分割,是原始的LBF代码。可以根据实际需要在此代码上做修改。此代码可直接成功运行。

实现了基于opencv 的手写数字字符识别主要参照文章： http://blog.damiles.com/2008/11/basic-ocr-in-opencv/ 基本上就是按着人家的代码来配置的，完后小改动了几个参数，写了一个文档，方便大家学习吧。

基于C++ 数字图像处理，主要为几何变换，放大缩小翻转等                                                   

《OpenCV教程——基础篇》北航出版社 ，文件包含本书所有光盘源代码。北航的虚拟现实实验室许多师生都在使用opencv，有相当多的经验，这书质量相当不错，简单易上手。附带的光盘中代码可靠性相当高，有些直接就是某些算法或问题的实现。本书可作为信息处理、计算机、机器人、人工智能、遥感图像处理、认知神经科学等有关专业的高年级学生或研究生的教学用书，也可供相关领域的研究工作者参考。

应用背景用于仿真对前景区域的某个物体清晰显示，背景部分高斯模糊处理关键技术用于仿真对前景区域的某个物体清晰显示，背景部分高斯模糊处理，镜头在成像时，通常只会对处在对焦点所在平面的前后一定距离范围内的景物形成清晰地图像，而对焦外景物所成的像会发生模糊。这段清晰地成像范围称其为景深。借助与所拍摄场景图像相对应的深度图，可以模拟出景深效果

此代码是由RGB转换为标准的RGB空间的算法，此代码基于opencv与c++语言，标准的rgb是指各通道的值除上三个通道之和，得到的标准rgb空间对光线的敏感性大大减小，对于跟光照有关的图像处理领域有很大的帮助。

应用背景如果有不含前景物体的背景图片，提取前景的工作相对容易，只需要比对当前帧和背景图片的不同，调用函数absdiff实现。但是大多数情况，获得背景图片是不可能的，比如在复杂的场景下，或者有光线条件的变化。因此，就需要动态的变换背景。关键技术对于第一帧出现前景的情况，由于后续更新背景都是对前景mask后对背景进行更新的，所以第一帧的前景部分对背景的影响因子很难被更新掉。这里提出一种改进的办法——混合高斯模型。可以使一个像素具有更多的信息，这样可以有效的减少类似树叶的不停飘动，水波的不停荡漾这种对前景的干扰。这个精密的算法比之前我所介绍的简单方法要复杂很多，不易实现。还好，OpenCV已经为我们做好了相关工作，将其封装在类BackgroundSubtractorMOG，使用起来非常方便。

1.给定分类数M,MLL模型的势函数b,对影像作J-1层小波分解，设定EM算法迭代的停止条件，按照尺度从大到小的顺序设置尺度函数的取值。2.尺度n=J-1，根据K-均值聚类算法对尺度J上的特征场向量进行聚类，获取该尺度的初始分割结果。3.E步骤。使用MPL方法GMRF模型参数。 4.M步骤。使用估计出的参数，采用运算速度较快的迭代条件模式（ICM）通过最小化获取尺度上的优化的分割结果。 5.尺度内迭代。重复3和4知道满足某种准则，迭代停止。我们获得尺度n上的最终分割结果。 6.尺度间迭代。将尺度n的分割结果之间映射到最近的较细尺度n-1上，作为这个尺度的初始分割。重复5，直到获取最细尺度上的分割结果。

2010年PMAI的杰出论文的开源代码，Superpixel,用于图像分割效果非常好。是目前图像分割主流方法之一！

利用巴特沃斯（Butterworth）高通滤波器对受噪声干扰的图像进行平滑处理, 程序能够运行出正确的结果，希望对各位有帮助。