随机直线采样

对图像进行梯度锐化处理，并用数字图像进行测试，从结果看出，经过3次锐化处理后，图像周围出现“长毛‘现象。

1.给定分类数M,MLL模型的势函数b,对影像作J-1层小波分解，设定EM算法迭代的停止条件，按照尺度从大到小的顺序设置尺度函数的取值。2.尺度n=J-1，根据K-均值聚类算法对尺度J上的特征场向量进行聚类，获取该尺度的初始分割结果。3.E步骤。使用MPL方法GMRF模型参数。 4.M步骤。使用估计出的参数，采用运算速度较快的迭代条件模式（ICM）通过最小化获取尺度上的优化的分割结果。 5.尺度内迭代。重复3和4知道满足某种准则，迭代停止。我们获得尺度n上的最终分割结果。 6.尺度间迭代。将尺度n的分割结果之间映射到最近的较细尺度n-1上，作为这个尺度的初始分割。重复5，直到获取最细尺度上的分割结果。

边缘检测算法喜欢罗伯茨、 空降和普鲁伊特运算符可以用于更多灰度梯度和 噪音。对于检测对角边缘 Sobel 运算符是更加敏感。另一方面，普鲁伊特运算符是更多 敏感的水平和垂直边缘。康力的运算符基于三个标准。第一个条件是使用 为疏导图像的高斯函数。二是一阶导数的最大值对应于 最小的一阶导数。换句话说，这两个点用灰度 （强边缘） 和点的戏剧性变化 稍有变化的灰度与对应于第二阶导数零交叉点。因而这些两个阈值为 用于检测弱边缘和强边缘。康力的算法不是容易受到噪声干扰的事实 使其真正弱边缘检测的能力。所以 Canny 的算法是边缘检测优化算法。

2001年，Adaboost算法首次应用到了人脸检测应用上，并得到了很好的效果，在人脸检测方面取得了巨大的成就：1）首次采用Haar特征来对人脸图像的灰度分布情况进行描述，由于Harr特征的简单有效性，提高了检测速度；2）挑选出一些具有样本能力的Haar特征的组合来构成强分类器；3）采用由粗到精的思路来构造级联人脸检测器，先用强分类器把图片中大多数的背景和无关区域滤除，再增强分类器的复杂度，继续滤掉剩余的无关区域，最后剩下的就是人脸区域，该种方法达到了提高了人脸检测速度的目的。本资源位Adaboost人脸检测的具体实现。

用opencv实现基于Adaboost人脸检测的程序代码码。Adaboost对于人脸检测具有很好的分类效果，主要包括矩形特征、积分图像，弱分类器、强分类器和级联分类器。opencv自带Adaboost代码，使用方便，程序内有测试图像和测试程序，在网上下载的程序，经过本人的修改，可以运行，效果很好，仅供参考。

基于非采样Contourlet变换（NSCT）的图像融合算法的matlab实现

资源描述这是一个用C++编写的人脸识别程序，其中也有少部分用到一些QT，能够基本实现预期功能，可能代码还不够完善，欢迎大家指出缺点，以后还有进步空间

此程序用于图像格式的各种转换  使用C++编写的  C++中不能处理所有的图像格式  将其图像格式转换成BMP格式是有必要的。

完整的人脸识别代码，实现加载的xml文件时事先训练好的。能够有效识别人脸，应对光照、灯光等有很好的检测效果，但对于遮挡还不能有效识别！

使用Opencv库在VC++平台下开发的基于视频人脸检测和跟踪。人脸检测使用的方法是肤色分割和Gentle Adaboost算法。人脸跟踪采用的是Camshift算法和卡尔曼滤波算法。能得到好的处理结果。