opencv运动检测

边信息生成  运动补偿，在分布式视频编码中，通过运动找到运动矢量，生成时间边信息，其中有帧内插值，运动估计，双向估计。改善边信息的生成算法

超分辨率的图形用户界面（SR-GUI）的开发，以允许用户在Matlab7.0提高降解的多帧图像。相比于其他视觉增强程序，SR-GUI的独特的方面是它的灵活性来处理不同的光照条件下拍摄的图像。我们的目的是隐藏结构的复杂性，并创造概念上简单的设计，使之人性化。

这是一个基于MFC和Opencv的源代码，实现了图像轮廓线的提取，并且可以查找每个轮廓线上的点。此外，本程序还实现了分水岭分割图像。

classification_colormap_pauli_C3，SAR图像，用于pauliRGB分解显示。将全极化影像进行PauliRGB分解后，产生的三分量，进行编码设色，合称为PauliRGB图像。

在视频或者图像配准处理中，错误的匹配往往影响正确的结果，因此剔除无匹配可以提高处理精度。通过MSE剔除错误和不精确的匹配，得到满足要求的精确的正确匹配结果，利用匹配对可以进行后续处理。

图像的超分辨率处理。将一张正方形图像先降采样变成原来的1/16，然后经过迭代反投影算法再变回原来的大小。将小图和大图比较可以发现清楚了很多。注意一定要放入正方形的图。迭代反投影算法是将模拟低分辨率图像和观测低分辨率图像的误差叠加到当前估计高分辨率图像，生成新的高分辨率估计图像，进行欠采样得到当前低分辨率模拟图像，不断循环迭代这个过程，直到误差精确达到要求范围或直到迭代次数完成（避免出现死循环）。

Adaboost 是一种二元迭代算法，其核心思想是针对同一个训练集训练出若干若分类器，然后把这些弱分类器集合起来，构造一个更强的强分类器，使得识别效果更佳。Adboost算法常常用在计算机视觉与模式识别领域的研究课题中，如人脸检测、人机交界、目标检测等。Adaboost算法不仅计算复杂度低，而且是一种高精度分类器，不会出现过拟合现象。

贝叶斯分类器（Naïve Bayes）源代码，使用决策树(Decision tree)分类算法、朴素贝叶斯（Naïve Bayes）算法，对文本进行分类，里面有代码的解析，适合初学者对基于代码对算法进行理解。

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。

最近写了几个网站的验证码图片自动识别程序，尽管每个网站的验证码图片都不相同，识别的方法有所差别。但写得多了，也总结出不少相同之处。今天抽空封装出一个基础类来，发现可以很好地重复利用，编写不同的验证码识别程序，效率提高了不少。好东东不能独享，现放出来供大家共同研究，请网友们妥善用之。         封装后的类使用很简单，针对不同的验证码，相应继承修改某些方法，即可简单几句代码就可以实现图片识别了：