图像处理-图像的几何变换源代码

应用背景vs2010+opencv2.4.8,人脸识别，ORL人脸数据库，里面有两个代码，LBP.cpp利用LBP方法先训练图像得到分类器（xml）然后测试待测样本。LBPload.cpp则直接可以用LBP.CPP生成好的分类器测试待测图片，比LBP.cpp快很多。关键技术用的是LBP算法，也可以换成pca和fish算法，只是LBP更快而且占得内存也小一些，里面也有测试时间。为了方便，我直接确定的测得是第13个人，可以修改的。里面的data文件夹里面的at.txt和待测图片路径记得按照你们的情况修改。

基于bat算法的图像特征提取和阈值分割及边缘检测采用高斯拉普拉斯方法，

这是一个特别适合初学图像处理的人看的程序，在MFC的平台上加入了opencv，利用简短的代码实现一些非常酷炫的功能，让人形象的感觉到opencv在图像视频方面的强大之处，让你感受编程的乐趣。

资源描述微软牛津计划的sdk，主要用于视频分析，人脸检测与识别等

useful for SAR imaging processing  wellkown algorithm to form the radar image both to processing in range and azimuth direction

它是一个来源的代码生成一个新图像，其 haar 特征。检测到这一高度的相机 (h)、 距离 (d) 和长度 (l) 等三和 eom 车辆 detectionit 使用 8-features.//it 第一次需要摄像机标定中，提出的算法基于车辆在站 image.it。ref： 戈尔 Genric 障碍和车道线检测的并行实时配乐视觉系统

这个软件是用来寻找角落使用Harris角点检测算法的任何输入图像。Harris角点检测是发现在图像特征的数学运算符。这是简单的计算，并且是足够快的工作计算机上。此外，它是受欢迎的，因为它是旋转，缩放和照明变化无关。Harris角点检测是确定哪个窗口产生大的变化时在任何方向的移动只是一种数学方法。每个窗口中，一个得分R被相关联。在此基础上的分数，你可以计算出哪些是角，哪些不是。这个软件用于查找图像的角落，并突出显示的图像的边界这个概念是用户完全在多对象检测以及图像识别处理。

摘要：故障诊断起着物理的重要作用 故障分析与产量的学习过程。随着数百亿 晶体管被集成在一个芯片上，多个故障可能 存在的。随着多个故障，故障屏蔽和加固效果 可能会出现。它们可能会导致基于单故障常规 诊断方法，如在一个时刻的单个位置（SLAT） 为无效。如果没有流行的SLAT方法失败 够SLAT图案可以由单个stuckat说明 故障。此外，一个真正的硅缺陷可能表现为不同 故障在不同的故障模式模型（DM），它可 无效使用单故障模型的方法SLAT 在所有失败的模式。在本文中，我们介绍的概念 故障元件，支持多种故障模型，并使用faultelement 图（FEG）考虑故障屏蔽和加固 多故障之间的影响。基于所有失败的FEGs 模式，最有可能的故障位置和故障的因素 被反复识别。同时，FEGs是迭代地 修剪跟踪的其余多个故障的影响，直到 所有的故障点被确定，所有的FEGs减少 为null。实验表明，该诊断 方法可以识别，即使在​​多个故障的位置 DM具有较高的诊断精度和分辨率。 关键词：故障诊断，故障元件，故障元件 图（FEG），多种故障模式，多重故障。

Mean Shift，我们 翻译为“均值飘Mean Shift 这个概念最早是由Fukunaga等人于1975年在一篇关于概率密度梯度函数的估计（The Estimation of the Gradient of a Density Function, with Applications in Pattern Recognition ）中提出来的,其最初含义正如其名,就是偏移的均值向量,在这里Mean Shift是一个名词,它指代的是一个向量,但随着Mean Shift理论的发展,Mean Shift的含义也发生了变化,如果我们说Mean Shift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束.移”。其在聚类，图像平滑。图像分割和跟踪方面得到了比较广泛的应用。

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