车道线检测

在此代码中成长在大脑中的肿瘤部分被分段。它处理与 dicom 图像和有一套 40 dicom 图像加载到一个接一个的代码和分割完成。首先由通过添加一些对比度和亮度提升形象完成一些调整。然后图像转换为二进制图像后，不同强度被分配到图像的不同部分。然后基于位置和强度，它分段的肿瘤部分。

应用背景基于互信息(Mutual information, I)的配准方法是利用图像本身具有的灰度统计信息来度量图像的相似度，采用一定的搜索算法得到使相似度最大的图像空间变换形式，达到配准图像的目的。两个变量的联合概率分布于完全独立的概率分布的广义距离来作为变量之间的相似性测度。由于互信息测度无需预先假设不同成像模式下图像灰度的相关性，也不需对图像进行分割和任何预处理，精度高。关键技术采用二维图像空间变换模型中的刚体变换，主要是确定浮动图像变换过程中是的互信息最大时浮动图像所旋转的角度和在x和y轴运动的位移。要求得两幅图像的互信息，则要分别求取两图像的熵和二者的联合熵，而熵的求取需要使用到图像的灰度直方图，故要先求取每幅图像的灰度直方图。这一过程中需要浮动图像在变换过程中出现的非整数坐标上的点进行灰度插值（本程序采用的是双线性插值）

采用滑动窗口及直方图来计算窗口内的中值，代替传统的排序求中值法，获得较高的算法执行速度。稍加修改阈值及首个窗口的目标取值就可以生成最大值、最小值滤波的算法，即对应于形态学中的膨胀与腐蚀。

基于 MATLAB GUI 的图像处理和测量程序，直观的界面，操作方便、 图像处理的二维图像测量。可以用一个样品图片直接运行。

做图软件的设计，有各种图源的设计包括园/直线/点等各种做图元素的基本构型都有详细的做图代码 主要涉及简单的界面大合集，界面优化，人际交互设计。基本涵盖了基本做图软件的各种基本图形元素的构建，希望给读者一些帮助。

应用背景Mean shift作为一种有效地特征空间分析方法，在图像滤波，图像分割，物体跟踪等方面都有广泛的应用。OpenCV分别实现了mean shift用来做跟踪、分割和滤波的函数。关键技术OpenCV分别实现了mean shift用来做跟踪、分割和滤波的函数。 其中滤波的c++函数原型为： void pyrMeanShiftFiltering(InputArray src, OutputArray dst, double sp, double sr, intmaxLevel=1, TermCriteria termcrit=TermCriteria( TermCriteria::MAX_ITER+TermCriteria::EPS,5,1) ) src和dst分别为输入和输出图像，8 bit,3 channel,sp和sr为空间域和颜色域的半径，maxLevel为分割用金字塔的最大层数，termcrit为迭代的终止条件。、 分割的函数原型为： void gpu::meanShiftSegmentation(const GpuMat& src, Mat& dst, int sp, int sr, int minsize, TermCriteria criteria=TermCriteria(TermCriteria::MAX_ITER + TermCriteria::EPS, 5, 1)) 大部分参数与pyrMeanShiftFiltering相同，minsize为最小的分割区域大小，小于这个大小的区域会被合并。 OpenCV sample里用pyrMeanSh

资源描述Camshift对目标进行跟踪，但是会出现跟踪偏移，结合卡尔曼滤波进行目标位置预测，并对位置进行校正，减少了目标的漂移。

功能：通过频域补零，实现时域插值，使时域信号平滑，易于观察，以matlab函数形式实现 输入：一维时域信号，插值倍数（其中插值倍数指输入时域信号长度的倍数，即最终得到插值后的时域信号长度为length(输入时域信号)*插值倍数） 输出：插值后的频域信号和时域信号

K-means cluster 用c++实现的，大家一起学习交流。 Step 1. 从n个数据对象任意选择k个对象作为初始聚类中心； Step 2. 循环Step 3到Step 4直到每个聚类不再发生变化为止； Step 3. 根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分； Step 4. 重新计算每个（有变化）聚类的均值（中心对象） k-means算法的工作过程说明如下：首先从n个数据对象任意选择

程序都可以使用，图像处理的基本算法，如彩色图像灰度化，平滑去噪，锐化，分水岭分割，基于背景的目标检测，单目标跟踪多目标跟踪等都有实现。