QT5+OpenCv3，完全可以使用代码

利用SIFT算法实现图像特征点的检测与提取，再用SANSAC算法筛选优秀特征点。

人脸检测系统，待扶正人脸库，待扶正人脸系统，C++写的

资源描述本代码为LBP特征提取代码，在Main中，包括uniformLBP提取和灰度不变的特征提取两种实现，文件中包含测试图片，效果很好，打开main中的注释就能运行。

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

图像的超分辨率处理。将一张正方形图像先降采样变成原来的1/16，然后经过迭代反投影算法再变回原来的大小。将小图和大图比较可以发现清楚了很多。注意一定要放入正方形的图。迭代反投影算法是将模拟低分辨率图像和观测低分辨率图像的误差叠加到当前估计高分辨率图像，生成新的高分辨率估计图像，进行欠采样得到当前低分辨率模拟图像，不断循环迭代这个过程，直到误差精确达到要求范围或直到迭代次数完成（避免出现死循环）。

图像匹配就是用模板图像和待匹配图像上的搜索窗口之间的像素灰度值的差别，来表示二者的相关性，相关性的大小即可表示匹配的准确率，使用fft算法实现两幅图像的互相关匹配，可以对有角度旋转的图像实现匹配。

本代码使用opencv编写，针对的是图像图像处理，可以实现对图像的边缘检测，其使用了3个常用的算子：Canny算子，sobel算子，laplace算子。这三个是不同的例程，可以对边缘检测结果进行对比，比较三种检测方法。

应用背景SPIHT是小波图像压缩中的一种重要算法，由W.Pearlman等人开发，是图像压缩标准的有力竞争者，由于压缩效果略差于EBCOT，因此未被选用关键技术 小波分析显著改变了图像的数据统计特性，十分便于集合划分编码操作，SPIHT利用这一数据分布规律，设计了合理的数据划分规则，实现了小波图像的有效压缩

视频图像处理，目标跟踪，以背景差分法分离出了前景和背景。背景建模，运动物体检测。Video image processing, target tracking, background

应用背景粒子群算法工具箱 该工具箱将PSO算法的核心部分封装起来，提供给用户的为算法的可调参数，用户只需要定义好自己需要优化的函数(计算最小值或者最大值)，并设置好函数自变量的取值范围、每步迭代允许的最大变化量(称为最大速度，Max_V)等，即可自行优化。关键技术与遗传算法相比，PSO仅需要调整少数几个参数即可实现函数的优化。该算法对待优化函数没有任何特别的要求(如可微分、时间连续等)，因而其通用性极强，对多变量、高度非线性、不连续及不可微的情况更加具有其优势。 该工具箱的使用主要分为几个步骤： 1) 在Matlab中设置工具箱的路径； 2) 定义待优化函数； 3) 调用PSO算法的核心函数：pso_Trelea_vectorized()。 其中第三步最关键，用户需要根据自己的需要设置好参数，可使算法极快收敛。