3D飞机游戏

使用opencv对图像进行简单的去噪，主要利用了opencv的cvSmooth()方法平滑图像，实现中使用的是中值滤波平滑，也可以使用双向滤波平滑，在不同的场合，效果会不同。

均值滤波, or 平均滤波是窗口筛选器的线性类，这种平滑信号 （图像）。筛选器作为低通一个人工作。筛选器背后的基本思想是任何元素的信号 （图像） 以平均跨及其邻近地区。要明白这是在实践中如何，让我们开始与窗口 idea.when 你有纸和盐噪声图像，可以使用平均掩码。此代码表明，怎么可以在利用 quickbird 卫星影像中使用均值滤波并用 5 * 5 掩码

离散余弦变换 （DCT） 表示序列的有限多数据点之和的余弦函数以不同的频率振荡。DCTs 是重要对大量的应用程序，在科学和工程，从有损压缩的音频和图像 （在那里可以丢弃小高的频率成分），对偏微分方程的数值解谱方法。余弦函数，而不是正弦函数的用途是这些应用程序的关键： 压缩，它原来余弦函数是更加有效率 （如下文所述，少，以近似一个典型信号），而求解微分方程的余弦表示选取一个特定的边界条件。尤其是，DCT 是类似于离散傅里叶变换 （DFT），但只使用实数有关傅里叶变换。DCTs，等同于傅里叶变换的两倍左右的长度，经营上真实的数据甚至对称 （因为真实，甚至函数的傅里叶变换是真实，甚至），在那里有些变形的输入和输出数据转移半样本。有八个标准的 DCT 变种，其中四个常见。

该代码在VS2010环境下开发，语言采用微软的C#语言，并结合Emgucv实现的简单的画图功能，实现了双缓冲，代码简单，适合初学者。可以用来学习Emgucv与C#语言，有一定参考价值

应用背景UberGallery是一个易于使用，易于管理，Web照片画廊PHP写下 分布；MIT许可证。UberGallery  ；不 ；需要数据库支持的JPEG，GIF和PNG文件类型。只需上传你的图片，会自动生成缩略图和UberGallery输出符合标准的XHTML标记上飞。关键技术这是什么？PHPalbumname美元=“基本的PHP相册”；/ /的名字你的专辑！/ **安装设备：1。）把你的照片放进图像目录里。* -照片将显示在

应用背景二维最小均方滤波(TDLMS)实际上是一种典型的自适应线性预测算法，它在预测过程中采用了最小均方误差准则。当红外图像的背景具有强相关性时，二维最小均方滤波是行之有效的方法。关键技术经过上述自适应滤波处理后，将预测背景与原图像差分即可获得抑制背景后的目标图像。这种预测算法的特点是结构简单，速度快，并且能够使差分图像信噪比得到较大的提高。

本程序是图像处理基础的一个实现。本程序的内容包括负片图像操作、亮度、对比度、灰度图像转换、黑白图像转换、垂直翻转、水平翻转和对角线翻转。

基于粒子滤波的目标跟踪。颜色直方图特征。参考资料 1。基于颜色的概率 Tracking2。基于颜色的自适应粒子 filter3。ECSE 626 项目： 基于颜色的自适应粒子 Filter4。关于在线非线性、 非高斯贝叶斯跟踪的微粒过滤器的教程

这个程序是用Matlab编写的。

    William T. Freeman大神经典的马尔科夫随机场超分辨影像重建全部代码，数据集，论文和大神页面。非常适合超分辨率初学者和相关研究的人员。很多代码下载了之后无法运行或者缺少文件，但是这个可直接运行，无需太多的调试。This is an implementation of the example-based super-resolution algorithm of [1]. Although the applications of MSFs have now extended beyond example-based super resolution and texture synthesis, it is still of great value to revisit this problem, especially to share the source code and examplar images with the research community. We hope that this software package can help to understand Markov random fields for low-level vision, and to create benchmark for super-resolution algorithms.When you refer to this code in your paper, please cite the following book chapter:W. T Freeman and C. Liu. Markov Random Fields for Super-resolution and Texture Synthesis. In A. Blake, P. Kohli, and C. Rother, eds., Advances in Markov Random Fields for Vision and Image Processing, Chapter 10. MIT Press, 2011. To appear.