图割方法——最大流最小割算法实现

模糊知识Builde转换的连续变量为其它连续变量。模糊决策者™转换离散理念融入到其它分立概念。例如，它使用未连接的目标和约束与未连接的替代品，以确定最有价值的替代方法。

灰度图，阈值判断，根据输入的图像内容，计算出当前图片的阈值范围。如果当前的图片的值 大于67，表示图片没有芯片，如果小于60，则表示有芯片，先将图片内容反转，然后处理。注意图片边缘化的处理。返回值的范围大小，可以根据的图片的亮度进行调整。

通过模糊c-均值（FCM）聚类实现图像的分割。动态聚类方法的目的是把n个样本划分到c个类别中的一个，使各样本与其所在类均值的误差平方和最小

这段代码是用于转换视频文件到视频的 frames.the 认为在这种情况下是.avi 文件。可以更改视频文件，也可以取决于我们要求改变甚至的帧数

应用背景H264编码不可缺少的步骤，程序带有文档说明。H264的编码的4*4DCT，量化，zigzag扫描，可以下载下来参考学习。关键技术VS的c++的H264编码部分的部分参考文档，很有参考价值。

降低过分割的产生，主要从两个方面着手：1) 在进行分水岭变换前，通过对图像滤波，标记提取等手段抑制噪声引起的过分割；2) 在分水岭变换后，通过一定的合并准则，

1.根据训练文件夹中的图像训练单词表。在每一张图像中提取sift点，将从所有图像中得到的128维sift点进行聚类，类别数就是单词数，聚类中心就是单词，将得到的单词表保存下来。 2.对于每一张新的图像，先提取图像中的sift点，按照之前训练好的单词表将每个sift点对应成某个单词，统计在这幅图像中每种单词的数量，就是词包模型。 注意：生成的文件每行代表一幅图像，将文件复制出来后修改后缀成.doc可以用word打开。 首先运行centr3得到单词表，在运行bagofword生成单词包。

本代码实现的是图像处理中的gamma校正，在图像处理中通常会发现图像太暗后者图像太亮，这是就要通过gamma校正得到合适的亮度，这样就有利于后续的图像处理。

高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器。高斯平滑滤波器对于抑制服从正态分布   的噪声非常有效。一维零均值高斯函数为： g(x)=exp( -x^2/(2 sigma^2)) (u=0)其中，高斯分布参数Sigma决定了高斯函数的宽度。 对于图像处理来说，常用二维零均值离散高斯函数作平滑滤波器。

通过鼠标点击获得图像的像素坐标，有利于通过手动选择和检测图像处理的跟踪检测效果进行对比，是非常有用的辅助检验手段。