图像处理

资源描述基于opencv的图像处理程序，利用了visual studioC++的平台

合成孔径雷达 （SAR） 图像受突出的散斑噪声，通常被认为是一个纯粹的乘性噪声的过程。理论上讲，此乘性噪声是变化的标准偏差为信号值，"系数，"比理论上不断在 SAR 图像中的每一点。大多数为相干斑抑制的筛选器基于此属性。这种属性是 irrelevantfor 新的滤波器结构，基于方向平滑平滑 （EDS） 删除无模糊边缘散斑噪声的 SAR 图像的增强定向 （DS） 理论。我们的有效性这比作既定的散斑噪声去除技术对 SAR 图像滤波新方法。源纸： M.Mastriani，A.E.吉拉尔德茨，"增强方向平滑算法的边缘保持平滑的合成孔径雷达图像"，测量科学审查、 Volume4，第 3 节，2004年。

对于人脸检测的人脸样本准备，通常需要手工从图像中截取人脸区域，为了程序鲁棒性的考虑，生成的人脸样本需要还要有一定角度的旋转；对基于统计训练的图像自动标定（image alignment，比如Active shape model 或Active appearance model）方法来说，第一步工作就是手工在图上把物体轮廓标出来，这些点一般称为landmark。 程序就主要完成这两个功能： 1.先准备个标准形状做参考，比如从论文里找这样一张图，用ginput按顺序选68个点（68个点的定义见CMU那帮人的论文，文

 基于OPENCV基于OPENCV的道路中心线的识别，对清晰的道路场景具有适应性， 适用范围比较窄，只能适用于交通标线比较清楚，画面整体像素值分布均匀，背景干扰较少的图片。

通过rgb图像转化为灰度图，然后进行canny边缘检测，在进行膨胀运算，然后调用hough函数检测直线，

sift算子是由D. G. Lowe在1999年提出，2004年完善的一种特征提取的方法，它主要有四个阶段：1）尺度空间极值检测（运用到Gauss函数和difference-of-Gaussian ）2）关键点定位3）定向分配（运用方向直方图，找到一个主方向，主方向的峰值的80%为辅，增强鲁棒性）4）关键点描述符

我们目前的建筑场景，基于检测和代表当地对称性图像中提取局部特征的新技术。这些新功能的动机是当地的对称性，在不同尺度下的很多城市的形象，一个基本特征，也可能更具有不变性大外观变化比低级别功能如 SIFT 的事实。因此，我们将这些功能应用问题的挑战性成对的城市场景的照片。我们的特点基于本地双边和旋转对称性计算使用局部图像操作的简单的措施。这些措施用为特征检测和计算描述符。我们证明我们对具有挑战性的新数据集包含图像对参展的照明、 年龄和渲染风格的戏剧性变化范围的方法，表明我们的功能可以提高这一艰巨任务的匹配性能。

使用MFC实现了对图像的去雾功能，让图像更清晰，能去掉薄雾，雾太后就可能效果不太好，需要进一步改进。但是这个程序已经能够满足一般需求，能够达到实验的基本要求。

该代码实现了阴影去除，首先进行运动分割，感兴趣区域提取，最后实现阴影消除。阴影在许多实际情况中都存在，它的存在对我们进行一些判断和预测造成了麻烦和影响使判断不够准确，或者无法进行判断。所以进行阴影消除是非常有必要的。

基于opencv的人脸表情识别，采用的是svm分类方法。SVM的思想可以概括为两点它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而 使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；