边缘检测

使用说明第一步：训练网络。使用训练样本进行训练。（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别）第二步：识别。首先，打开图像（256色）；再次，进行归一化处理，点击“一次性处理”；最后，点击“R”或者使用菜单找到相应项来进行识别。识别的结果显示在屏幕上，同时也输出到文件result.txt中。该系统的识别率一般情况下为90%。此外，也可以单独对打开的图片一步一步进行图像预处理工作，但要注意，每一步工作只能执行一遍，而且要按顺序执行。具体步骤为：“256色位图转为灰度图”－“灰度图二值化”－“去噪”－“倾斜校正”－“分割”－“标准化尺寸”－“紧缩重排”。注意，待识别的图片要与win.dat和whi.dat位于同一目录，这两文件保存训练后网络的权值参数。具体使用请参照书中说明。

zernike矩的源代码，非常不错，用matlab编的，值得下载

在这里，我用小波算法的图像压缩利用小波工具箱MATLAB中。该算法背后的基本思想是滤波器组理论。小波函数的排序是哈尔。

采用肤色分割的人脸检测具有计算简单、检测率高的特点，并且对于人脸有旋转和倾斜的人脸图像也有较好的检测效果。但在检测时会把一些类似于人脸肤色的人体其他部位和类似于肤色的背景误检为人脸，具有较高的误检率。而且基于肤色分割的人脸检测对于光照条件等外部环境要求比较高，外部环境会直接影响其检测的效果。采用Adaboost算法的人脸检测有很好的检测效果，但该方法计算十分复杂，检测速度比较慢，对于有旋转和倾斜的人脸图像的检测率不高，而且当背景环境很复杂的时候该算法的误检率很高。因此，本代码是结合两者的优点的人脸检测

此应用程序是在 OpenCV 意在从用户的头、 手和身体动作生成事件的网络摄像头图像处理库。这个库还打算跟踪对象，这样就可以使增强的现实。为提高人机交互，应用程序将使用一个网络摄像头，而无需使用红外光谱或扩散照明技术。除了跟踪职位，此库也将能够提供更高级别事件和手势像获取用户的三维位置，并打开的手势。与虚拟物体碰撞也是增强现实中。

图像分析是通过图像分析来理解图像内容的过程

对黑白TIFF 图像进行处理，将200DPI 转换为 300DPI，或者转换为指定的DPI。

本程序可以在c语言下进行jpg格式与bmp格式的相互转化，本程序自成一个模块，无需更改，可以作为单独程序运行，或进行地址的未调整，作为一个模块嵌入到程序中使用，翻遍简单有效！

实现图像形态学变换，包括腐蚀、膨胀、开、闭、细化处理，代码运行通过

DIB设备无关位图文件，这是一种文件格式，是为了保证由某个应用程序创建的位图图形可以被其它应用程序装载或显示。 DIB的与设备无关性主要体现在以下两个方面：DIB的颜色模式与设备无关。例如，一个256色的DIB即可以在真彩色显示模式下使用，也可以在16色模式下使用。256色以下（包括256色）的DIB拥有自己的颜色表，像素的颜色独立于系统调色板。由于DIB不依赖于具体设备，因此可以用来永久性地保存图象。DIB一般是以*.BMP文件的形式保存在磁盘中的，有时也会保存在*.DIB文件中。运行在不同输出设备下的应用程序可以通过DIB来交换图象。