计算机视觉

应用背景boosting算法训练了T个弱分类器ht,t∈{1,....,T}.这些弱分类器很简单.大多说情况下,它们只是包含一次分裂(称为决策stumps)或仅有几次分裂(可能到3次)的决策树.最后做决定的时候将复制权重αt给每个分类器.AdaBoost训练时输入的特征向量是xi,向量的类别标签是yi(这儿i=1,...,M,M是样本总数),且yi∈{1,-1}.关键技术1.在Release下进行调试 2.指定文件保存路径，如：char* filename_to_save = "F: estdataoutput.xml"; 3.选用训练的方法，如method = 1; 4.这步需要使用模型的时候再指定，训练的时候设置为char* filename_to_load = 0;使用模型的时候指定，如char* filename_to_load = "F: estdataoutput.xml";

本代码是非局部均值算法，用该算法实现图像的去噪，代码非常完整，可直接运行，效果很好

资源描述神经网络过程，主要使用的是BP神经网络模型实现图像压缩！！！其中包括图像压缩和图像重建过程。对学习图像压缩的盆友有帮助

Delphi车牌识别在土耳其语中，您可以学习如何读取车牌并将其加工，这非常简单，您可以在自己的程序中使用它。

此代码演示了如何使用基于特征的图像配准技术自动创建一个全景。特征检测和匹配是在许多计算机视觉应用，例如图像配准，跟踪，及物体检测用强大的技术。在这个例子中，基于特征的技术被用于自动缝合在一起的一组图像。为图像拼接的方法是基于特征的图像配准的扩展。代替登记一对图像中的，多个图像对被依次登记相对于彼此以形成全景图。

此代码用于图像缩放，并计算峰值信噪比、信噪比、均方误差、结构相似性指数和mssim、熵

资源描述使用自己的百度云账号将手机上的图片上传到百度云上，1、可以获取百度云的账号信息。2、在这个账号上上传图片。3、可以在PC端验证存在该图片。

应用背景图像处理在现实生活中用的越来越多，机器视觉内软件开发也越来越流行，编程语言也很多，labview变成门槛低，学的快，好用，实用。关键技术图像处理中包括一些基本操作，如图像的读取，灰度转换，滤波，形态学处理，例如：开运算、闭运算、高斯滤波等等，以及文件的保存，图像的差分，阈值的分割。

MATLAB图像处理实例详解原书的配套源代码。可帮助快速学习了解matlab。十五章的内容共有两百多份文件，基本上包含了matlab从入门到实用的所有内容，是新手学习matlab的好帮手。

对图像进行梯度锐化处理，并用数字图像进行测试，从结果看出，经过3次锐化处理后，图像周围出现“长毛‘现象。