Camera Mouse Control

在实际图像研究中，常常只有图像中那些感兴趣的目标才能为我们提供高效、有用的信息。这些目标一般对应 图像中特定的、具有独特性质的区域。图像分割就是将图像划分成若干个这样的有意义区域的过程，各区域是 具有相近特性的像素的连通集合。图像分割是数字图像处理的重要技术之一，其基础是像素间的相似性和跳变性。 图像分割技术主要分为四大类：阈值分割，区域分割，边缘检测和差分法运动分割（主要针对运动图像的分割）。

该代码将转换成 jpg/png 格式的图像 * nii 格式。随着图像的 matlab 程序代码提供。

AVI转mpg的源代码，用C++编写，用VC编辑器打开，对视频格式进行转换的源代码，很好的参考资源。

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。

VisionLab允许为安全行业、科学和其他应用程序快速开发功能齐全的计算机视觉应用程序。它还包括Hough线、边缘检测、轮廓检测、Haar人脸和目标检测、鲁棒特征和目标检测/跟踪组件。

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。

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。

基于后方交会的程序代码。通过地面控制点坐标，以及控制点在航片上的坐标来结算航片的6个外方位元素。该程序具有运行良好，无错误，运行速度快的特点。

资源描述将一系列图片合成视频。通过设置一系列图片的命名为连续数字，程序代码可以实现输出为顺序播放该系列图片的视频。并且在程序中可以通过调节视频帧率改变图片在视频中的播放速度。默认的视频输出格式为avi格式。

该程序是针对大屏幕、高分辨率多投影显示系统中存在的多投影重叠区域出现高亮度现象进行亮度融合处理，里面根据不同投影机的编号及重叠区域的分布分别提供了不同的计算方法，计算方法主要分三个部分（投影机的位置、亮度衰减方向和选用的亮度衰减函数）。其中投影机的位置分为左投影机、右投影机和中间投影机；亮度衰减方向分为水平方向和非水平方向；衰减函数分为线性衰减和二次拟合衰减函数。