决策树C + + 实现

模糊系统的 GUI。 基于规则的系统。 特定类型的推理，使用"如果那时 else"规则语句。如上文所述，规则是简单模式和推理引擎搜索模式匹配的数据中的模式匹配的规则。"如果"是指"当条件为 true，""那么"是指"采取行动 A"和"else"手段"时的条件不是真正采取行动 B."下面是一个示例与该规则可能的原因： 如果抢劫为 TRUE 和 可疑证人鉴定为 TRUE 和 怀疑的实物证据是 TRUE 和 怀疑缺乏不在场证明是真正的 然后 可能的原因是真正的 其他 围捕嫌疑 规则可以转发链接，也称为数据驱动的推理，因为他们开始用数据或事实和规则，适用于事实直到达到的目标是看看。规则还可以逆向链接，也称为目标驱动推理，因为他们以一个目标开始，寻找规则适用于这一目标，直到得出的一个结论。

图像的灰度阈值变换、灰度窗口变换、灰度拉伸、直方图均化以及图像的平滑和中值滤波等都是数字图象处理中较为常用的算法。通过实现不同的算法来直观的看到图像处理结果，但是只能处理256位灰度图。

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。

本资料非常详细的介绍Kinect相机的标定过程，是学习各种相机标定的参考材料。另外，里面还介绍了标定的原理标定的棋盘等。

基于canny算子的原理编写的一个canny算子边缘检测程序，效果不太好，算法运算也很耗时，有懂的可以交流~

使用Tesseract for Metadata Extraction为扫描的文档图像提取以下内容

应用背景功能强大的OPENCV，对处理图像有很强大的功能。学习好OPENCV对图像处理有很大帮助。关键技术对OPENCV有详细的描写，适合新老朋友学习OPENCV。功能强大。

VS2010解决方案按OpenCV相关配置1.读入视频文件    将视频加载至内存，文件名需按正确路径添加2.逐帧读取文件    将视频逐帧读取，并每帧读取成图片保存3.帧图像保存    帧图像名包括图像名和序号

这项工作基于统计方法的问题，而不使用大培训数据库和不诉诸神经网...... 我避免神经网络显而易见的选择，唯一的真正原因是： 1） 它已进行前字符识别。 2） 它不似乎是本着同样的精神，作为我们的课程和讲座， 和方法。 3） 神经网络，以我的经验，似乎并不产生可伸缩的、 关于底层视觉问题/解决方案的重用信息... 就我所知他们只是证明，一些系统称重层感知产量的正确结果大部分时间。 只有几篇文章手写识别的问题，我所读过的指的是统计方法解决它。我已经从他们，我的想法，但是我还没有找到任何准确的参考，我对这个问题的办法。我将会检讨各种统计方法在下一章。

大每一本OpenGL入门的书都会讲到OpenGL的Select模式，它采用一种方法使得可以获取当前鼠标点选的几何图形。简单的来说这种方式就是首先调 整Projection矩阵，使得你透过从鼠标点选附近的一个正方形（大小可设置）看到的世界。然后开始绘制，当每一次绘制的时候都会判断你会不会看到。 如果看到，那么，你就是选择了这个几何图形了。更为具体的过程可以参见相关的书籍。 http://hi.baidu.com/sishenfuhuo/blog/item/e98b852ef94013371e30892a.html2.在OpenGL红宝书中介绍了一种简便易行的办法:在后缓冲中 使用不同的颜色重绘所有对象,每个对象用一个单色来标示其颜色,这样画好之后我们读取鼠标所在点的颜色,就能够确定我们拣选了哪个物体。这种方法有一个缺 陷,当场景中需要选择的对象的数目超出一定限度时,可能会出现标识数的溢出。对于这个问题,红宝书给出的解决办法就是多次扫描。实践证明这种方法的确简便 易行,但仍有不少局限性,而且做起来并不比第一种机制方便多少。限于篇幅,不再赘述。