cpp quadtree

图像的拼接问题是基于图像绘制（Image base Rendering，IBR）领域研究的一个重要课题，也是虚拟环境重建的主要技术手段。它要解决的问题是如何把小视域的照片拼接成一张大视域的图像，以满足人们观察、浏览大范围场景的需要。场景图像的拼接是伴随着虚拟现实（Virtual Reality，VR）技术的飞速发展和虚拟环境实时绘制的需求应允而生的。由于每一幅图像都反映了客观事物或某个场景在空间、时间上的局部信息，采用图像拼接技术可以提供一种有效且完整的场景表示方法，使人们能更加客观、形象地认识事物和理解真实世界。因此，图像拼接技术是摄影测量学、计算机图形学、图像处理和计算机视觉等学科的重要研究内容，并得到广泛的应用。

该程序是针对大屏幕、高分辨率多投影显示系统中存在的多投影重叠区域出现高亮度现象进行亮度融合处理，里面根据不同投影机的编号及重叠区域的分布分别提供了不同的计算方法，计算方法主要分三个部分（投影机的位置、亮度衰减方向和选用的亮度衰减函数）。其中投影机的位置分为左投影机、右投影机和中间投影机；亮度衰减方向分为水平方向和非水平方向；衰减函数分为线性衰减和二次拟合衰减函数。

应用背景 SIFT算法是D.G.Lowe[40]于1999年提出的，SIFT算法可分为两个部分：第一部分是生成SIFT特征，即SIFT特征向量提取过程；第二部分是通过对提取的SIFT特征进行匹配。 特征点描述子生成：计算每个4x4小块上8个方向的梯度方向直方图，并为每个梯度方向做一个累加值，得到一个种子点，如图3.5右图所示。图中每个特征点是由2x2个种子点构成，则每个种子点都具有8个方向的向量信息。为增强SIFT特征匹配的稳定性，每个特征点都通过4x4个种子点来加以描述，这就使得每个特征点都能够生成128个数据，进而形成4x4x8=128维的SIFT特征向量，其中4x4表示16个种子区域，8表示区域的8个方向。  关键技术（1）SIFT算法是一种基于图像局部特征提取的方法，SIFT特征具有尺度缩放不变性、旋转不变性，对视角变化、光照变化、物体运动、噪声也具有良好的稳定性。  （2）高速性，优化的SIFT算法可满足实时性需求。 （3）多量性，SIFT算法可以提取大量的特征点。 （4）可扩展性，SIFT算法可与其他算法相结合。 （5）独特性好、信息量丰富，匹配快速、准确。  经过第一阶段SIFT特征向量生成，第二阶段就是对提取的特征向量进行匹配。其特征点匹配步骤为：假设两幅待匹配的图像分别为S、T，分别从两幅图中提取SIFT特征点。

逆实现图像复原，这是我们的课程作业。你面含有你滤波的实现源码，可以参考下，运行成功，效果还可以

surf算法demo，网上的一个关于surf算法的demo，大家参考参考

基于OMP正交匹配追踪算法的小波基CS图像重构。利用测得矩阵找出重建矩阵中与之最匹配的列，与该列对应的即是重建的稀疏图像中的相对应位置的系数。然后得到将测量矩阵减去第一步第一个系数所对应产生的测量矩阵中的值，得到下一步残差，然后再找与之最匹配的列，如此循环下去，直到迭代到要求的次数

资源描述基于LSB的数字水印嵌入算法，具有比较高的嵌入速率和效率

背景建模以及几种阴影去除方法，比如基于颜色、梯度、阴影训练、几何等方法。有需要的可以下载进行尝试，效果还可以。

资源描述 网上看了很多的教程，但是按照教程来其实是不行的，而且那大多是互相抄的，明显看的出来。这是我自己看书，然后咨询了很多人，一步一步的试，最后配出来了。 使用的是QT5.5.1，opencv使用的3.0 大家主要要看我的pro文件里面的INCLUDEPATH 和 LIBS里面的写法

Fig2.jpg是有渐晕现象的拍摄图片  func_k.m 是渐晕模型中的参数设置 vignetting.m是主函数 主函数如下： Pi = 3.1416; d = 400; w = 0.0236 * Pi; figure(1); fid = imread("e:matlab71fig2.jpg");    %打开有格式文件 subplot(1,2,1); imshow(fid);