彩色制造跟踪

基于OpenCV2.3.1的人脸识别程序。OpenCV中已经附带了人脸识别的数据库，做了部分优化。

应用背景该算法的任何实际的实现，应该只工作0.5-levelset邻域像素的，不是所有的嵌入功能，也许应该多线程GPU的能力或特征。这类morphgac和morphacwe大部分提供这个功能模块。他们实施的形态测地线活动轮廓和没有边缘的形态活动轮廓，分别。看见了上述文件的全部细节。关键技术这是一个介绍Python实现的算法 ；我árquez内拉，P.，baumela，L.，Á阿尔瓦雷斯，L.，”形态的方法基于曲率的曲线和曲面的演化。IEEE交易 ；模式分析与机器智能（PAMI），2013。此实现的目的是简单，可以理解的和自成一体的尽可能。它不包括任何提高，使其快速或有效。

是关于 数字图像处理典型算法及实现（源代码），是不错的算法及代码的实现，大家可以借鉴下，愿对大家有帮助。

square.d is input file; square.e  square.n  square.s are output file.   square.e  is element ,  square.n is node, square.s is side.

高动态范围图像（High-Dynamic Range，简称HDR），相比普通的图像，可以提供更多的动态范围和图像细节，根据不同的曝光时间的LDR(Low-Dynamic Range)图像，利用每个曝光时间相对应最佳细节的LDR图像来合成最终HDR图像，能够更好的反映人真实环境中的视觉效果。 请点击左侧文件开始预览 ！预览只提供20%的代码片段，完整代码需下载后查看 加载中 侵权举报

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

改进自适应交叉和变异概率 在遗传算法中，通过交叉操作和变异操作使一对相互配合又相互竞争的算子的搜索能力得到飞速提高。交叉操作作用是组合交叉两个个体中有价值的信息产生新的后代，它在群体进化期间大大加快了搜索速度；变异操作的作用是保持群体中基因的多样性。为了加快收敛速度和全局搜索性能，在遗传算法计算的过程中，根据个体的情况，自适应的改变两者的概率，将进化的过程分为渐进和突变两个不同阶段。在Srinvivas等提出的自适应基本遗传算法中，交叉概率和变异概率能够随适应度自动调整，在保持群体多样性的同时保证了遗传算法的收敛性。

应用背景 SIFT算法是D.G.Lowe[40]于1999年提出的，SIFT算法可分为两个部分：第一部分是生成SIFT特征，即SIFT特征向量提取过程；第二部分是通过对提取的SIFT特征进行匹配。 特征点描述子生成：计算每个4x4小块上8个方向的梯度方向直方图，并为每个梯度方向做一个累加值，得到一个种子点，如图3.5右图所示。图中每个特征点是由2x2个种子点构成，则每个种子点都具有8个方向的向量信息。为增强SIFT特征匹配的稳定性，每个特征点都通过4x4个种子点来加以描述，这就使得每个特征点都能够生成128个数据，进而形成4x4x8=128维的SIFT特征向量，其中4x4表示16个种子区域，8表示区域的8个方向。  关键技术（1）SIFT算法是一种基于图像局部特征提取的方法，SIFT特征具有尺度缩放不变性、旋转不变性，对视角变化、光照变化、物体运动、噪声也具有良好的稳定性。  （2）高速性，优化的SIFT算法可满足实时性需求。 （3）多量性，SIFT算法可以提取大量的特征点。 （4）可扩展性，SIFT算法可与其他算法相结合。 （5）独特性好、信息量丰富，匹配快速、准确。  经过第一阶段SIFT特征向量生成，第二阶段就是对提取的特征向量进行匹配。其特征点匹配步骤为：假设两幅待匹配的图像分别为S、T，分别从两幅图中提取SIFT特征点。

数字图像的基本代码，初学者可以看看，进一步完善也挺方便                                                   

可以进行遥感影像处理，包括生成黑白、彩色直方图，并可以对影像进行指数、伽马、对数、扩展校正