bmp图片灰度化

应用背景利用机器视觉进行障碍物检测时，需要定位障碍物的坐标，由于相机有畸变，因此需要进行标定。这对于精确的定位障碍物有很大的作用。关键技术附上代码的同时还有标定图片，只需要修改一下图片存取的路径即可使用，特别适合初学者学习和使用。本标定采用opencv内置函数，基于张正友的算法思想。基于opencv1.0和vc6.0写成。

CamShift算法的全称是"Continuously Adaptive Mean-SHIFT"，即：连续自适应的MeanShift算法 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

图像的特征用到了Dense Sift，通过Bag of Words词袋模型进行描述 ，用BoW描述完图像之后，就可以用SVM训练分类模型进行分类。这里除了用SVM的RBF核，还定义了一种核： histogram intersection kernel，直方图正交核。实验中的图像是一些Action的图像，共6类，每一类60幅，40训练20测试。

基于opencv对图像实行双线性插值缩放以及最临近插值缩放#include "highgui.h" #include "cv.h" IplImage *src=NULL; IplImage *dst1,*dst2; void main() { double scale1=0.1; double scale2=10; CvSize dst1_size; CvSize dst2_size; src=cvLoadImage("E:学习VC文件c++ pricticepro1pro1.jpg"); //缩小系数 dst1_size.width=(int)(src->width*scale1); dst1_size.height=(int)(src->height*scale1); dst1=cvCreateImage(dst1_size,src->depth,src->nChannels); cvResize(src,dst1,CV_INTER_NN);//像素插值(最邻近插值)缩小 //放大系数 dst2_size.width=(int)(dst1->width*scale2); dst2_size.height=(int)(dst1->height*scale2); dst2=cvCreateImage(dst2_size,src->depth,src->nChannels); cvResize(dst1,dst2,CV_INTER_NN);//像素插值(最邻近插值)放大 cvNamedWindow("原图",CV_WINDOW_AUTOSIZE); cvNamedWindow("缩小10倍后图",CV_WINDOW_AUTOSIZE); cvNamedWindow("缩小10倍后再放大10倍还原图",CV_WINDOW_AUTOSIZE); cvShowImage("原图",src); cvShowImage("缩小

using 2-D Discrete Wavelet Transform in c++ using 2-D Discrete Wavelet Transform in c++ using 2-D  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

图像压缩技术是用来减少图像或文本的存储空间的技术。与其他技术相比，使用DWT进行压缩可以提供良好的效果。DWT子带将图像分为四个子带，如LL、LH、HL、HH。

该源码基于MFC建立窗口，可以实现打开一幅灰度图像，以及灰度图像的保存。可以实现一幅灰度图像的平移变换，三种镜像变换

可以使用MATLAB将多幅图像或屏幕截图转换为avi图像，简单实用捕获的图像文件在您的计算机或互联网:如果例如IMAGE_URL = = c:。png”那么这个形象用于捕获的视频源。当然,这只会让的感觉如果在捕获过程中文件更改的内容。你也可以使用一个图像url等来捕获网络摄像头或气象卫星图像。

BMP转JPEG,利用Windows系统自带的API函数进行转换处理。 有图形界面，可以预览，有功能带单，可以进行与图像相关的设置，此程序编写的比较精细。

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。