-
View Morphing
这些源代码做视图变形的输入应该是一个两个姿势的图像或左姿势和右姿势然后结果将是一个正面姿势和源代码还包括特征提取点,这样你可以检测眼睛和嘴巴。因此整个面部可以变形。
- 2022-07-17 04:59:25下载
- 积分:1
-
MFC摄像机标定
opencv MFC摄像机标定。利用张正友棋盘标定法,计算出畸变参数,进行纠偏处理等功能。适用于单目相机标定,适合初学者学习使用。
- 2023-06-10 16:35:03下载
- 积分:1
-
人体肤色检测
在彩色空间中,皮肤颜色的分布较为集中,与其他景物颜色间有较好的可区分性,可以用模型描述或对样本进行学习的方法加以判别。图像中皮肤颜色的差异主要由光照引起,在检测中只考虑色度信息,就可以减少光照的影响,使肤色的分布更趋集中。通过检测皮肤区域,可以缩小人脸的搜索范围,提高检测速度。HSV空间是RGB空间的非线性变换,它将原本相关性很强的R、G、B值转换为相关性较弱的H、S、V值,H和S分量与人感受色彩的方式相一致。HSV颜色空间可以用一个圆锥空间模型来描述。
- 2023-08-02 11:25:04下载
- 积分:1
-
一种基于区域显著性的红外图像目标分割方法
对红外图像首先在方差空间中提取显著性区域,然后根据图像复杂度对显著性区域进行筛选,最后采用阈值分割方法分割显著性区域,获取目标。
- 2022-02-15 00:24:55下载
- 积分:1
-
图像膨胀
用于图像处理中的图像预处理,是视频图像处理中必要的基础步骤。从图像的第一个像素点开始依行遍历全部像素,在每个像素点上,移动结构元素B的映射的中心与其重合,然后判断此位置的结构元素是否有对A集合的覆盖,如果有,则保留这个点,否则对此点取反(按照如下的符号约定,即将改点灰度值设置为0)。
- 2022-03-14 11:08:41下载
- 积分:1
-
基于自聚焦透镜焦点测量和空间频率图像融合
这段代码是在 matlab 中实现的。输入两个的多聚焦图像和设置的步骤变量设置为 1、 2 或 3 和阈值 T,块大小。输出是一个焦点无处不在的复合图像。
- 2022-08-17 09:55:06下载
- 积分:1
-
区域生长算法
应用背景一个递归的区域为2D和3D图像集和二进制掩码输出多边形生长算法。这个函数的主要目的在于清洁和高度记录的代码。关键技术使用方法: ;[ J ] = P,区域生长(CIM,initpos,thresval,maxdist,tfmean,tffillholes,tfsimplify)输入: ;CIM:二维/三维灰度矩阵 ;- initpos:初始种子位置 坐标;- thresval:要包括 绝对阈值;- maxdist:最大距离在【PX】 初始位置;- tfmean:更新的区域意味着初始值(慢) ;- tffillholes:填充封闭孔的二进制掩码 ;- tfsimplify:减少线路简化顶点个数输出: ;P:vxn阵列(有点尺寸,N V号)。P是封闭的多边形的所有相关像素/体素 ;J:二进制掩码(具有相同的大小作为输入图像)显示1(真)相关的像素/体素和0(假)之外
- 2023-01-04 01:15:03下载
- 积分:1
-
基于sift特征点的词包模型
1.根据训练文件夹中的图像训练单词表。在每一张图像中提取sift点,将从所有图像中得到的128维sift点进行聚类,类别数就是单词数,聚类中心就是单词,将得到的单词表保存下来。
2.对于每一张新的图像,先提取图像中的sift点,按照之前训练好的单词表将每个sift点对应成某个单词,统计在这幅图像中每种单词的数量,就是词包模型。
注意:生成的文件每行代表一幅图像,将文件复制出来后修改后缀成.doc可以用word打开。
首先运行centr3得到单词表,在运行bagofword生成单词包。
- 2023-09-04 04:55:03下载
- 积分:1
-
导向滤波代码
Matlab 演示代码为"引导图像过滤"(视觉 2010 年)凯明 he (kahe@microsoft.com)
如果您使用、 修改我们的代码在你的工作 (无论是作为一个独立的工具或作为一个组件
任何算法),你需要适当地引用我们视觉 2010 年的论文。
此代码是为了学术目的只。不是为商业和工业活动。
本文中报告的运行时间是从 c + + 实现。这的 matlab 程序代码是
对于那些想要重新实现我们的方法的引用。
- 2022-11-19 19:20:03下载
- 积分:1
-
泊松表面重建
Poisson surface reconstruction creates watertight surfaces from oriented point sets. In this work we extend the technique to explicitly incorporate
the points as interpolation constraints. The extension can be interpreted as a generalization of the underlying mathematical framework to a screened
Poisson equation. In contrast to other image and geometry processing techniques, the screening term is defined over a sparse set of points rather
than over the full domain. We show that these sparse constraints can nonetheless be integrated efficiently. Because the modified linear system
reta
- 2023-03-13 16:05:03下载
- 积分:1