inage pixel read

灰度图像可被视为地形起伏，其中像素的灰度被解释为其在起伏中的高度。落在地形地貌上的一滴水沿着路径流动，最终到达；

我们目前的建筑场景，基于检测和代表当地对称性图像中提取局部特征的新技术。这些新功能的动机是当地的对称性，在不同尺度下的很多城市的形象，一个基本特征，也可能更具有不变性大外观变化比低级别功能如 SIFT 的事实。因此，我们将这些功能应用问题的挑战性成对的城市场景的照片。我们的特点基于本地双边和旋转对称性计算使用局部图像操作的简单的措施。这些措施用为特征检测和计算描述符。我们证明我们对具有挑战性的新数据集包含图像对参展的照明、 年龄和渲染风格的戏剧性变化范围的方法，表明我们的功能可以提高这一艰巨任务的匹配性能。

大每一本OpenGL入门的书都会讲到OpenGL的Select模式，它采用一种方法使得可以获取当前鼠标点选的几何图形。简单的来说这种方式就是首先调 整Projection矩阵，使得你透过从鼠标点选附近的一个正方形（大小可设置）看到的世界。然后开始绘制，当每一次绘制的时候都会判断你会不会看到。 如果看到，那么，你就是选择了这个几何图形了。更为具体的过程可以参见相关的书籍。 http://hi.baidu.com/sishenfuhuo/blog/item/e98b852ef94013371e30892a.html2.在OpenGL红宝书中介绍了一种简便易行的办法:在后缓冲中 使用不同的颜色重绘所有对象,每个对象用一个单色来标示其颜色,这样画好之后我们读取鼠标所在点的颜色,就能够确定我们拣选了哪个物体。这种方法有一个缺 陷,当场景中需要选择的对象的数目超出一定限度时,可能会出现标识数的溢出。对于这个问题,红宝书给出的解决办法就是多次扫描。实践证明这种方法的确简便 易行,但仍有不少局限性,而且做起来并不比第一种机制方便多少。限于篇幅,不再赘述。

k均值聚类，可以应用到图像的分割或者是图像的聚类。K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。

通过sift算法提取图片的特征，然后用KD算法搜寻匹配特征，用RANSANC算法去除外点。计算单应矩阵H，变换浮动图像，插值计算，使用加权方式进行重叠区的融合。最后得到拼接图像，效果良好。

图像增强技术是图像处理领域中的基本技术之一。图像增强的目的是信息的改进的可解释性或感知在图像中的人类的观众，或为其他自动化图像处理技术提供更好的投入。近年来，灰度图像增强技术发展迅速。这些算法有一定的灰度图像增强的效果。然而，我们通常处理在日常生活中的彩色图像。由于诸多因素，如有限的动态范围、 照明的影响和显示设备，获得的图像质量的下降，这意味着许多重要的信息很难被人告诉 的眼睛。同时，它是不适合直接使用灰度图像增强技术的彩色图像。因此，我们需要开发彩色图像增强技术，处理的问题。与灰度图像相比，彩色图像仍有颜色的信息，所以那彩色图像是灰度图像比更生动。现在，基于人眼视觉特性，许多彩色图像增强算法已被提出。Retinex 是一种有效技术的彩色图像增强，可以产生很好的增强的效果。但增强的图像具有颜色失真和计算比较复杂。一种鲁棒的彩色图像增强算法。该算法可以提高彩色图像不失真，但彩色图像的边缘不能处理得好。该算法使用高斯滤波估计的背景图像。高斯核函数是各向同性，这会导致不准确估计的背景图像，从而导致的光晕现象。提出的算法包括三个主要部分 （1） 获得亮度的图像和背景图像，（2） 自适应调整，(3) 彩色恢复。

此代码分别用C++和matlab写的混合高斯背景建模，自适应确定高斯分量的个数，由Z.Zivkovic开发，相关文章是Improved adaptive Gausian mixture model for background subtraction。

产品条码读取源码，利用摄像头捕获图片后经该代码解析出条码，VC6.0编译通过，添加到自动化项目中做产品条码识别是不错的选择，欢迎下载。

opencv  vs2008                               对图像做基本处理                     用sift算法实现图像匹配                      效果不错  

这个项目主要涉及人脸识别技术。面部由adruino电机上的摄像头检测，该电机在与代码接口时检测面部。代码是用C++编写的，使用OpenCV库。