RobHess的sift算法 图像特征点的提取，表明方向和大小（opencv 2.4.9+C）

可以用于将一幅彩色图像分成RGB三个通道，并把每个通道的灰度直方图表示出来，很直观的了解图像各通道灰度值的分布区域

应用背景背景主要为毕业设计，基于深度学习的车辆识别系统关键技术在深度学习中需要将大量图片转换为同样大小格式，此代码将大量图片转换为指定格式，在opencv2.4.9配置完成后即可直接使用，与上一篇内容衔接

本代码是关于交通灯的检测与识别，可以检测并识别红色交通灯，通过把RGB图像转换成HSV图像，分割出红色信号灯，然后根据圆形度去除过大或过小的干扰区域，最后在原图像上显示检测出的红色交通灯。本代码同样可以检测和识别绿色以及黄色交通灯，只需修改HSV图像的取值范围。

应用背景图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。关键技术现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。1998年以来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。图像分割后提取出的目标可以用于图像语义识别，图像搜索等等领域。

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。

这是一个 nlfilter() 函数的几何平均数过滤器。您可以使用此函数作为 nlfilter() 函数的输入函数。您可以计算几何平均数的确定的窗口大小的图像。

 对于人脸识别，目前所采取的大多为对图像进行分析、解剖，把感性的人脸图像抽象化、模式化。以期最终建立关于人脸的数学模型，从而通过模型，让人脸识别变得十分简单。然而人脸之复杂，随环境、年龄、等的变化更是无法预测。我们的最终目的是制造出和我们一样有人脸识别能力的机器，它们的人脸识别能力不应该超出我们的范围。   人脸本身是一个随机的变量，不同的角度、不同的光线、不同的打扮，都会产生不一样的结果。因而我们认为人脸本身更像一个不确定的概率。所以通过模型的建立来进行识别不是不可以，但会十分复杂，而且所达到的目的并不一定是我们想要的。即使是通过机器学习进行的人脸识别，其自身本质也是通过系数加权等最终得到的结果，所以本质也是单一数学模型的建立、数据的各种复杂处理。   人的大脑是最好的识别工具，因此我们应该从人大脑的识别机制入手，模拟大脑的识别

学习MFC slider控件时自己编写的例程，结合了OPENCV。滑动RBG三通道颜色滑动条来调节颜色的深浅，实现了调色板的功能，作为初学MFC slider的一个小例子，并能对初学OPENCV像素访问的有所帮助，提供了两种访问像素的方法。

VC++6.0MFC制作的画图程序 带有保存功能，可以改变画笔样式，颜色与粗细，支持滚动，保存，撤销功能，为MFC SDI，使用GDI

图像处理，利用数学形态学的知识对字符图像进行处理；字符图像的端点提取，以及交叉点提取，T型端点检测有待完善。字符细化效果不是很好。