OpenCV 边缘矢量化

SVM 分类器 很好用的 可以用在图像处理中 使用的是c++ 基于opencv的 

应用背景人脸检测算法的可靠性很大程度上依赖于分类器的设计，在2001年，Viola和Jones两位大牛发表了经典的《Rapid Object Detection using a Boosted Cascade of Simple Features》和《Robust Real-Time Face Detection》，在AdaBoost算法的基础上，使用Haar-like小波特征和积分图方法进行人脸检测，他俩不是最早使用提出小波特征的，但是他们设计了针对人脸检测更有效的特征，并对AdaBoost训练出的强分类器进行级联。关键技术 人脸检测从整体来看分为四个部分： 1、Face detection 人脸识别，即识别出这是人的脸，而不管他是谁的。 2、Face preprocessing 面部预处理，即提取出脸部图像。 3、Collect and learn faces 脸部的特征采集和学习 4、Face recognition 脸部识别，找出最相近的相近脸部图像。

能够对给定文件的图像的纹理进行分析，提取相关的数据：包括能量、熵、惯性矩、局部平稳性、相关等信息，并显示分析结果

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。

一款labvIEW 很好的画图程序，在运动和视觉中有一定帮助，具有源代码，可以实现直线圆，矩形和三角形，经过修改可以实现圆弧等功能。很不错奥！

程序主要是验证图像处理的一些算法，主要对印刷体汉字识别方法做了较为深入的研究，研究讨论了印刷体汉字的行切割以及列切割，同时研究了通过BP神经网路识别汉字的方法。首先，首先利用高斯平滑滤波器，对图像进行平滑处理，去掉了一些不必要的干扰。然后使用全局阈值法来进行二值化处理，随后分别利用水平投影和垂直投影相方法来对印刷体汉字进行行切割和列切割，最后通过已经训练好的BP神经网路对汉字进行识别。这个系统还有不是很完善的地方，一是它的识别精度还不是很高，这是因为没有采用特征提取的方法，只是简单的使用像素匹配的方法来对汉字进行识别；二是系统不是很稳定，有的时候设置同样的参数前后识别的结果就不相同。

高动态范围图像（High-Dynamic Range，简称HDR），相比普通的图像，可以提供更多的动态范围和图像细节，根据不同的曝光时间的LDR(Low-Dynamic Range)图像，利用每个曝光时间相对应最佳细节的LDR图像来合成最终HDR图像，能够更好的反映人真实环境中的视觉效果。 请点击左侧文件开始预览 ！预览只提供20%的代码片段，完整代码需下载后查看 加载中 侵权举报

收藏的几篇关于图像拼接的学位论文，讲的比较明白的那种，思路很清晰，对做全景图像拼接有较好的参考价值，不用上网花钱去下论文了。

资源描述对鱼眼拍摄的镜头进行俯视变换功能，同时对鱼眼进行校正。运用C++鱼眼进行编程，读取图片并且进行校正和图形变换，然后进行保存。

应用背景kmeans是最简单的聚类算法之一，但是运用十分广泛。最近在工作中也经常遇到这个算法。kmeans一般在数据分析前期使用，选取适当的k，将数据分类后，然后分类研究不同聚类下数据的特点。聚类，简单地说就是把相似的东西分到一组，同 Classification (分类)不同，对于一个 classifier ，通常需要你告诉它“这个东西被分为某某类”这样一些例子，理想情况下，一个 classifier 会从它得到的训练集中进行“学习”，从而具备对未知数据进行分类的能力，这种提供训练数据的过程通常叫做 supervised learning (监督学习)，而在聚类的时候，我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起，因此，一个聚类算法通常只需要知道如何计算相似 度就可以开始工作了，因此 clustering 通常并不需要使用训练数据进行学习，这在 Machine Learning 中被称作 unsupervised learning (无监督学习)。关键技术kmeans是最简单的聚类算法之一，但是运用十分广泛。最近在工作中也经常遇到这个算法。kmeans一般在数据分析前期使用，选取适当的k，将数据分类后，然后分类研究不同聚类下数据的特点。