运用vc++和Opengl编的动态天空场景

BP神经网络对字母进行识别， 值得收藏-BP neural networks to identify letters, copies

直线光栅化gfdsg-linear grating of gfdsg

Form++ Source code

一个比较不错的图象浏览器-a relatively good image browser

不规则图形填充方法示例-irregular graphics filling method Example

使用说明 使用时打开此例题目录下pic中的图片，然后依次单击按钮“转”、“1”、“2”、“3”、“4”和“5”，就可以实现精确的车牌定位。 具体步骤 1.24位真彩色->256色灰度图。 2.预处理:中值滤波。 3.二值化:用一个初始阈值T对图像A进行二值化得到二值化图像B。 初始阈值T的确定方法是:选择阈值T=Gmax-(Gmax-Gmin)/3,Gmax和Gmin分别是最高、最低灰度值。 该阈值对不同牌照有一定的适应性,能够保证背景基本被置为0,以突出牌照区域。 4.削弱背景干扰。对图像B做简单的相邻像素灰度值相减,得到新的图像G,即Gi,j=|Pi,j-Pi,j-1|i=0,1,…,439 j=0,1,…,639Gi,0=Pi,0,左边缘直接赋值,不会影响整体效果。 5.用自定义模板进行中值滤波 区域灰度基本被赋值为0。考虑到文字是由许多短竖线组成,而背景噪声有一大部分是孤立噪声,用模板(1,1,1,1,1)T对G进行中值滤波,能够得到除掉了大部分干扰的图像C。 6.牌照搜索:利用水平投影法检测车牌水平位置,利用垂直投影法检测车牌垂直位置。 7.区域裁剪,截取车牌图像。-my english is poor

应用背景 Discrete-Continuous Optimization for Multi-Target Tracking (CVPR 2012) 关键技术The problem of multi-target tracking is comprised of two distinct, but tightly coupled challenges: (i) the naturally discrete problem of data association, i.e. assigning image observations to the appropriate target; (ii) the naturally continuous problem of trajectory estimation, i.e. recovering the trajectories of all targets. To go beyond simple greedy solutions for data association, recent approaches often perform multi-target tracking using discrete optimization. T

通过卡尔曼滤波梦实现对微地震数据的去噪。!!!!!!!卡尔曼的子程序!!!!!!!!!!!!!!!!!!!    infile 代表输入文件名  !!!!!!    outfile 代表输出文件名     !!!!!!    itrace   总道数            !!!!!!    isample  处理的采样点数    !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!  subroutine KALMANF(infile,outfile,itrace,isample)

灰度图的描绘在VC语言中-grayscale image in VC Language

用C语言编写的演示逐点比较法的源代码!-C language demo point by point comparison of the source code!