RGB转化HSV空间

基于肤色模型的手势分割检测，人手检测根据肤色模型检测人的手所在位置,并根据模板判断手势。-Detection of manpower under the color model to detect the location of the hand. And in accordance with the template to determine gesture.

下面是该算法的伪代码：(a) 载入一个 HDR RGB 图像(b) 计算强度层我(c) 计算 log(I)(d) 筛选使用双边滤波获得 log(F) log(I)(e) 计算详细信息通道 D = log(I)-log(F)(f) 计算： 三角洲 = max[log(F)]-min[log(F)](g) 计算： γ = log(constrast) / 三角洲(h) 计算新的强度层： N = 10^[gamma*log(F) + D](i) 规模的 RGB 值由 N / 我(j) 保存 LDR 图像

在图像处理中，边缘检测是一个必要的步骤，如检测车辆直线和冬暖的边缘。 DOG和 （LOG） 拉普拉斯是高斯的边缘检测的好方法...... 这里是拉普拉斯高斯的代码，和它在 vs2010 编译

稀疏光流程序演示 此程序是斯坦福大学大牛David Stavens 2007年编写，其中程序注解详尽，配有PPT和PDF讲解图文并茂，非常适合初学者学习使用。 此程序是使用VC++ 搭配opencv2.6写作而成，使用者需要在vc环境下配置opencv才可以运行 本程序基于OpenCV。

这项工作基于统计方法的问题，而不使用大培训数据库和不诉诸神经网...... 我避免神经网络显而易见的选择，唯一的真正原因是： 1） 它已进行前字符识别。 2） 它不似乎是本着同样的精神，作为我们的课程和讲座， 和方法。 3） 神经网络，以我的经验，似乎并不产生可伸缩的、 关于底层视觉问题/解决方案的重用信息... 就我所知他们只是证明，一些系统称重层感知产量的正确结果大部分时间。 只有几篇文章手写识别的问题，我所读过的指的是统计方法解决它。我已经从他们，我的想法，但是我还没有找到任何准确的参考，我对这个问题的办法。我将会检讨各种统计方法在下一章。

KNN 分类器

深度学习的一种模型deep-net其中是自编码SEA和分类器组成，用于图像分类；SEA可以用于可以代表输入数据的最重要的因素，加上分类器softmax就能实现分类；在图像分类上要好于其他的模型

应用背景相机图像的畸变，对畸变进行校正。主要为张友元棋盘标定法，基于opencv。。。效果不错！相机图像的畸变，对畸变进行校正。主要为张友元棋盘标定法，基于opencv。。。效果不错！相机图像的畸变，对畸变进行校正。主要为张友元棋盘标定法，基于opencv。。。效果不错！关键技术vs上基于opencv库函数，使用c语言编译，采用张友元棋盘标定法算法，解决面阵相机拍摄图像的畸变。效果很好。可以解决图像的畸变。。。最好需要10张以上有位移偏差的图像。棋盘图必须完全位于相机的视野内。。。。。

一个手势识别来控制鼠标的软件 通过摄像头捕捉手的移动从而来控制鼠标-A gesture recognition software to control the mouse through the camera to capture hand movements to control the mouse

摘要：故障诊断起着物理的重要作用 故障分析与产量的学习过程。随着数百亿 晶体管被集成在一个芯片上，多个故障可能 存在的。随着多个故障，故障屏蔽和加固效果 可能会出现。它们可能会导致基于单故障常规 诊断方法，如在一个时刻的单个位置（SLAT） 为无效。如果没有流行的SLAT方法失败 够SLAT图案可以由单个stuckat说明 故障。此外，一个真正的硅缺陷可能表现为不同 故障在不同的故障模式模型（DM），它可 无效使用单故障模型的方法SLAT 在所有失败的模式。在本文中，我们介绍的概念 故障元件，支持多种故障模型，并使用faultelement 图（FEG）考虑故障屏蔽和加固 多故障之间的影响。基于所有失败的FEGs 模式，最有可能的故障位置和故障的因素 被反复识别。同时，FEGs是迭代地 修剪跟踪的其余多个故障的影响，直到 所有的故障点被确定，所有的FEGs减少 为null。实验表明，该诊断 方法可以识别，即使在​​多个故障的位置 DM具有较高的诊断精度和分辨率。 关键词：故障诊断，故障元件，故障元件 图（FEG），多种故障模式，多重故障。