小波分析及局部区域能量的图像融合算法

应用背景立体匹配是三维复现，生成三维点云中的一个重要步骤，只有精确地匹配了左右两个相片上点才能准确地三维复现出物体表面轮廓信息，为如3D打印等工程提供前段信息。关键技术立体匹配中算法的选择与实现，速度上的要求，精度的要求，opencv函数库的应用，标志点的选取，相机的标定等问题。

小波变换的小波变换源代码

本段程序主要实现的是视频的分帧处理，就是把一段视频分解为一张张图片，可以使视频转换为图片进行图片的处理。有的软件对视频格式要求严格，这就要求对视频的格式和大小进行转换和修剪，通过视频的分帧处理，就可以剔除掉没用的，或者不清晰的图片，然后再通过合帧处理，生成符合要求的视频。

这是 MATLAB 火车和测试的 som 神经网络对识别图像的字符像 A、 B 和 C，......等的神经网络显示塑造识别和高质量培训和测试

1，这是技术结合SVD和DWT2，同步码技术，实现了非常低的概率误差率3，它提出了一个多层次的安全，可靠和高容量的图像水印算法。

A comparative study on shadow compensation of color aerial images in invariant color models2006 Tsai 经典的阴影去除方法 颜色空间转变（HSI）；阴影初分割；形状（边缘）保留；阴影补偿，完成最终阴影分割。亲测，自己一笔一笔写出来，而且经过验证，希望大家喜欢。后续给出Tsai方法的改进版本Chung方法，也是经典！有问题欢迎联系roma_white@m.scnu.edu.cn

应用背景粒子滤波技术在非线性、非高斯系统表现出来的优越性，决定了它的应用范围非常广泛。另外，粒子滤波器的多模态处理能力，也是它应用广泛的原因之一。国际上，粒子滤波已被应用于各个领域。在经济学领域，它被应用在经济数据预测；在军事领域已经被应用于雷达跟踪空中飞行物，空对空、空对地的被动式跟踪；在交通管制领域它被应用在对车或人视频监控；它还用于机器人的全局定位。关键技术粒子滤波(PF: Particle Filter)的思想基于蒙特卡洛方法(Monte Carlo methods)，它是利用粒子集来表示概率，可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法(SequentialImportance Sampling)。简单来说，粒子滤波法是指通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。这里的样本即指粒子,当样本数量N→∝时可以逼近任何形式的概率密度分布。

pencv2.4.0以上的版本提供了stitcher类，可以很方便的实现几幅图像的拼接，关于这个类详细的介绍，可以参考文档： http://docs.opencv.org/2.4.2/modules/stitching/doc/high_level.html?highlight=stitcher#stitcher。     该类主要用的成员函数有createDefault，用于创建缺省参数的stitcher；estimatedTransform，用于匹配图像、分析摄像头旋转角度；composePanorama,生成最后的拼接图像。文档中提示如果对stitching的整过过程不熟悉的话，最好不要使用以上两个函数，直接使用stitch就行了。关于图像拼接的过程，涉及到特征点的提取、特征点匹配、图像融合等等比较复杂的过程，可以参考相关论文和期刊。

基于OpenCV的OpenCV的摄像机标定问题的研究，文章比较详细透彻地分析了摄像机的标定的一些理论知识的介绍。对于初学者将是一个比较的文件。

资源描述 首先获取图像的像素信息，对于灰度图分析其灰度值，并能够根据灰度值来绘制直方图，利用直方图数据来对图片做处理，使得图像均衡化