快速DCT行列变换c语言

冈萨雷斯数字图像处理matlab版源代码,经典中的经典，不用多介绍了吧，分享给大家。

在 C# 中使用 Emgu CV （OpenCV.NET 中） 摄像头人脸检测它是如何执行你的相机用的人脸检测 / 网络摄像头。那麼会看到您的应用程序可以从捕获的图像的脸的检测。好奇吗？Let 的看一看如何做到这一点。这需要遵循本教程：Microsoft Visual Studio 2010。或者如果你从不没有之一，您可以使用 2008 年版Emgu CV （OpenCV.NET 中）。您可以下载此链接： http://www.emgu.com/wiki/index.php/Main_Page 中的最新版本并按照安装说明C# 编程的基本知识你应该做的第一件事安装 Emgu 的简历。安装路径应该像 C:Emguemgucv-windows-x 86 2.2.1.1150。你可以看到 insideC:Emguemgucv-windows-x 86 2.2.1.1150bin 一些 Dll 和示例程序现在，看到的人脸检测的代码

新一代图像压缩标准JPEG XR的代码，可以对如下几种图像格式进行压缩处理(.raw/.tif/.pnm)。 Changes related to the encoder are as follows: 1. Add support for separate alpha image plane 2. Add support for YCC OUTPUT_CLR_FMT (YUV444, YUV422, YUV420) 3. Add support for CMYKDIRECT 4. Add support for WINDOWING_FLAG 5. Add support for the following pixel formats - 24

它是用于转换PDF文件到使用OpenCV的图像处理的VC++的JPEG图像。利用图像处理（OpenCV）和转换的PDF文件为具有良好质量的图像。它有助于珠三角的文档图像转换。

基于运动的多目标跟踪

一个手势识别来控制鼠标的软件 通过摄像头捕捉手的移动从而来控制鼠标-A gesture recognition software to control the mouse through the camera to capture hand movements to control the mouse

应用背景粒子群算法工具箱 该工具箱将PSO算法的核心部分封装起来，提供给用户的为算法的可调参数，用户只需要定义好自己需要优化的函数(计算最小值或者最大值)，并设置好函数自变量的取值范围、每步迭代允许的最大变化量(称为最大速度，Max_V)等，即可自行优化。关键技术与遗传算法相比，PSO仅需要调整少数几个参数即可实现函数的优化。该算法对待优化函数没有任何特别的要求(如可微分、时间连续等)，因而其通用性极强，对多变量、高度非线性、不连续及不可微的情况更加具有其优势。 该工具箱的使用主要分为几个步骤： 1) 在Matlab中设置工具箱的路径； 2) 定义待优化函数； 3) 调用PSO算法的核心函数：pso_Trelea_vectorized()。 其中第三步最关键，用户需要根据自己的需要设置好参数，可使算法极快收敛。

1.该程序是自己用opencv写的细胞数量统计代码，里面完整的实现了细胞分割和细胞数目统计，准确率在90%2.程序最后将结果保存到excel可以打开excel查看统计结果

这是实数编码的遗传算法。不必要的转换二进制 format.applicable 的图像去噪

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。