ksvd工具箱

GDAL通过RasterIO读写图像文件，数据集的创建，图像相关信息的获取，从而实现GDAL 切图功能，实现的切图可以在网络地图上使用。

该程序是实现NLM 的C 源程序，非局部平均去噪算法，在去噪中的好处可想而知，效果不错。可以尝试用一下，看过文章的人应该清楚它的效果，给大家共享下，共勉吧。

整个是一个粗糙的水彩化效果程序，通过若干种图像 运算算法得到，几何运算，代数运算，膨胀 扩散 求边缘等

基于暗原色先验的去雾算法，效果不错，包含完整的源代码程序，并附有实验结果图。可以成功编译并运行，速度较快。使用Opencv结合C++语言实现的。

介绍传统边缘检测方法（Roberts, Sobel, Prewitt, LOG, Canny）,针对传统Canny算法中的缺陷，提出一种基于自适应平滑滤波和3*3 领域梯度幅值计算方法的改进的Canny算法进行边缘检测，利用Matlab得出实验图像，并进行无噪声下各算子算法的对比，有噪声下各算法的对比，原始Canny算子和改进的Canny算子在无噪

应用背景 视频捕捉的对象中，背景通常保持不变。一般分析中关注移动的前景物体，威力提取出前景物体，需要建立背景的模型，将模型和当前帧进行比对检测前景物体。前景提取应用非常广泛，特别是在智能监控领域中。 关键技术 具体的实现过程主要分为两部分：一部分是调用absdiff函数找出当前图片和背景图片的区别，这之中使用了threshold函数去除为前景，当前图片像素与背景图片像素变化超过一定阈值的时候才认定其为前景；另一个工作是更新背景图片，调用函数accumulateWeighted，根据权重参数可以调整背景更新的速度，将当前图片更新到背景中，这里巧妙利用得到的前景提取结果作为mask，在更新背景图片的过程中避免了前景的干扰。

应用背景本程序实现了多层小波变换及反变换，小波图像去噪是小波应用较成功的一个方面,其中小波阈值法图像去噪算法简单、计算量小,得到了广泛的应用。在小波阈值去噪的基础上,本程序实现了基于边缘检测的小波阈值图像去噪算法,把高频中的边缘细节与噪声更好地分离开,在主观和客观上去噪效果都比单纯的阈值去噪有所改进。 关键技术基于小波变换的图像去噪一般由三个步骤来完成:(1)小波变换;(2)对小波系数进行处理,以滤除噪声;(3)小波逆变换。小波去噪的核心是在上述第二个步骤中按照一定的准则对小波系数进行修改,在不损失过多细节信息的前提下,达到降低或去除噪声的目的。

这一个简单的项目,需要一个视频路径和计算场景的视频。场景是基于连续两帧之间的运动可由用户阈值。场景类也可以扮演幕后,返回现场最高的帧数,返回现场与最低数量的帧和/或通过id获取场景。该项目使用opencv的运动估计计算两帧之间的运动。幕后存储在两个向量。一个向量未分类的场景,另一个拥有场景以升序排序基于它们所包含的的帧数。

此代码包括用于从输入图像中检测面部区域，以及定位眼睛，鼻子和嘴巴的部分的方法。然后各部分都标有导致输出图像上的矩形显示。这是为那些谁想要检测脸不同部分，使用输入正面图像进行特征提取特别有用。

本文采用camshift和kalman.的算法 ，可以实现单目标的跟踪。需要采用鼠标选取跟踪区域，希望对大家有一定的帮助