使用 MFC 的图像缩放

本代码使用opencv编写，针对的是图像图像处理，可以实现对图像的边缘检测，其使用了3个常用的算子：Canny算子，sobel算子，laplace算子。这三个是不同的例程，可以对边缘检测结果进行对比，比较三种检测方法。

dirent.h是unix系统下C语言库，由于有时候要把unix系统下C语言移植到window，而window下面没有dirent.h，此文件是window下重写的

本研究工作的主要目的是从特定的MRI扫描中识别肿瘤及其定量；

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。

没有使用函数调用的源码，绝对原创，

本代码是使用matlab实现的LBP算法，适合于初学者进行学习研究，如果在学习中间遇到问题，欢迎大家相互交流学习，共同进步提高。

采用肤色分割的人脸检测具有计算简单、检测率高的特点，并且对于人脸有旋转和倾斜的人脸图像也有较好的检测效果。但在检测时会把一些类似于人脸肤色的人体其他部位和类似于肤色的背景误检为人脸，具有较高的误检率。而且基于肤色分割的人脸检测对于光照条件等外部环境要求比较高，外部环境会直接影响其检测的效果。采用Adaboost算法的人脸检测有很好的检测效果，但该方法计算十分复杂，检测速度比较慢，对于有旋转和倾斜的人脸图像的检测率不高，而且当背景环境很复杂的时候该算法的误检率很高。因此，本代码是结合两者的优点的人脸检测

自己写的用opencv实现切割保存图像中感兴趣区域函数，可以在添加代码后直接调用函数实现切割

此代码是《MATLAB图像处理实例详解》中第五章的教学实例，很有用，其中包括图像均值，标准差，等高线，还包括一些空间滤波器，频率滤波器（低通滤波器，高通滤波器，带阻滤波器，同态滤波器）。

应用背景Python opencv 图像处理基础教程，转自网络，主要是Python对于图像的增强，变换，匹配，轮廓，视频处理，分割，跟踪，投影等等关键技术的初级教程。关键技术图像处理 Python 实现，Python opencv 图像处理基础教程，opencv Python入门基础，gui,图像处理（平滑，金字塔，尺寸，阈值化），图像变换（梯度算子，仿射变换，等等），直方图，图像匹配，目标跟踪，轮廓操作，等等