基于非采样Contourlet变换（NSCT）的图像融合

1.给定分类数M,MLL模型的势函数b,对影像作J-1层小波分解，设定EM算法迭代的停止条件，按照尺度从大到小的顺序设置尺度函数的取值。2.尺度n=J-1，根据K-均值聚类算法对尺度J上的特征场向量进行聚类，获取该尺度的初始分割结果。3.E步骤。使用MPL方法GMRF模型参数。 4.M步骤。使用估计出的参数，采用运算速度较快的迭代条件模式（ICM）通过最小化获取尺度上的优化的分割结果。 5.尺度内迭代。重复3和4知道满足某种准则，迭代停止。我们获得尺度n上的最终分割结果。 6.尺度间迭代。将尺度n的分割结果之间映射到最近的较细尺度n-1上，作为这个尺度的初始分割。重复5，直到获取最细尺度上的分割结果。

资源描述人脸识别，基于VC和openc的图像处理，包含摄像机调用等

基于Visual Studio 2010的计算机视觉+ openCV2.4.5得到的10对图像，以计算出摄像机，包括焦距，旋转和转换的更确定的参数，并计算点的3-D世界。与一些像素误差，但好于几乎整个采样图像。

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。

在采用DCT块压缩标准的图像或视频流中，块效应是一个严重的问题，因此，能够有效地检测并去除块效应逐渐成为人们关注的焦点。而本文基于此目的，提出了一种DCT域的块效应盲测量和去块效应算法，利用HVS和块效应模型估测块效应，进而自适应地去除检测到的块效应。通过实验仿真证实了该算法的有效性，另外其低复杂度，可以在实时视频或图像监控领域得到应用。 基本原理可以分为块效应的盲测量和去块效应两部分。

这是来自http://www.pages.drexel.edu/~sis26/Eigencode.htm关于特征脸提取。

应用背景遥感图像上经常要用到图像融合，尤其是全色影像和多光谱影像，本程序可以很好地融合遥感图像，同时对于其他多模态或者异源影像都可以进行融合。关键技术代码主要采用三种方法进行融合，可以有选择的使用。主要是平均法融合，IHS法融合和PCA法融合，都是遥感图像融合领域常用的融合方法，可以直接运行。

openCV函数库中提供了很多关于角点检测的函数，PreCornerDetect 用于计算角点检测特征图，cvCornerEigenValsAndVecs 用于计算图像块的特征值和特征向量，FindCornerSubPix 可用于寻找精确的角点位置，此程序通过相关的角点检测函数，实现对图像中的角点特征的提取和标记

应用背景 适用于数码相机等手持设备拍摄到的字符图片实现图片左下角时间识别、图片中存在的较大字符区识别。 字符区字符数建议8个以上，如果要识别的字符数有变化，可对程序中一个对字数数进行筛选的参数进行修改即可。 关键技术关键点：如何在整个图片中搜寻到字符区的方法以及搜索到以后如何进行筛选出真正的目标区。