opencv 纠偏裁剪

资源描述应用canny对边界提取后，在应用局部线性回归对边界进行平滑，最终得到平滑边界，在和原图进行比对，适合初学者，程序简单，参数可以适当改变

在监控场景中用kalman滤波对目标轨迹进行跟踪预测，kalman滤波的两大步骤是预测和更新，当场景中由于遮挡等原因目标跟踪丢失得到轨迹片段，用kalman对缺失的轨迹点进行预测，kalman两大假设前提是高斯、线性。对于非高斯非线性系统不适用，目标运动建模是满足匀速运动

动态物体处于一个已知位置信息，然后开始移动，基于相机传感器采集的信息，物体可以进行实时动态定位。该算法是基于粒子滤波的原理实现的，可以在框架基础上进行扩展。

从自然看图像与低通滤波器和高通滤波器的帮助下删除雨的有效方法。因为它并不清楚的图像了在雨中我们可以消除图像的雨滴。通过这段代码中，我们可以获得清晰的图像。1.输入图像2.转换为灰度3.预计算高斯距离权重。4.申请双边滤波器。5.提取局部区域。6.计算高斯强度加权。7.计算双边滤波响应。8.图像分析的 K-均值聚类9.K SVD 算法的应用

jepg图像压缩。。。包含分块DCT，量化，zigzag,反zigzag,反量化，和反dct。。。。没有包含编码内容。。。此程序没有使用能满足刚好分为8*8小块的图片而是使用不规则图片。。。通过补齐黑边来实现程序的通用性。。。压缩包中包含有测试图片。。。可以对任何维度的图片使用。。。缺点是使用循环较多。。。运行速度较慢。。。

传播神经网络算法的源代码 这是监督的神经网络，需要学习率和势头的两个学习参数

在场景图像上通过模板匹配技术，找到与之匹配的精确定位位置，程序中对于每个模板分别给出了最后的目标定位位置坐标，默认左下角的坐标为（0,0），得到偏差

K-means cluster 用c++实现的，大家一起学习交流。 Step 1. 从n个数据对象任意选择k个对象作为初始聚类中心； Step 2. 循环Step 3到Step 4直到每个聚类不再发生变化为止； Step 3. 根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分； Step 4. 重新计算每个（有变化）聚类的均值（中心对象） k-means算法的工作过程说明如下：首先从n个数据对象任意选择

基于mfc的数字验证码识别程序，读取灰度图像，去噪，二值化，归一化，bp，

结合Surf描述符算子和Sift描述符算子提取的图像不变特征。利用了Sift描述符对尺度，翻转的强有效性；和Surf描述符对光强的 敏感性，进行图像复制粘贴防伪检测。代码中有一个实例，可以看出检测结果。