XNA4.0代码

它使用双阈值、 大阈值和小阈值，然后使用苏珊到取消错了角落。

用C++实现sift算法，实现多幅图像的读取，特征点提取，匹配以及图像的融合。可以直接上机实现。

应用背景测试查看matlab中的三个显示函数 image,imshow,imagesc 的区别，首先讨论了图片的存储格式对图像处理、显示没有影响，然后通过对图像进行R、G、B分别显示，整合，直观地展示上述三个显示函数的差异，包含图像，可以直接运行展示关键技术R、G、B三通道分别显示、处理图像，适合于初学图像处理者，厘清基本问题，高手可以忽略

毕设做的傅里叶梅林变换，现分享出来，可用于图像 平移/旋转/防缩 的图像配准校正。

主要实现一个串口发送器功能，该发送器的数据是从FIFO 中读取的。也就是说，只要FIFO 中有数据，串口发送器就会启动，将数据发送出去。，该串口发送器由三个模块组成。datagene 模块每1s 产生16 个字节递增的数据，这些数据将会写入fifo232 中例化的一个256 字节大小的FIFO 中。一旦检测到FIFO 中有数据，uart_ctrl 模块就会将FIFO 中的数据读出并通过串口发送出去。大家可以用串口线连接SF-EP1C 板和PC 机，通过串口调试助手查看收到的数据是否是一组不停递增的数据。

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。

应用背景基于matlab的视频目标跟踪算法包括单高斯背景建模，可以在行人检测，目标跟踪、车辆检测等实际应用中用到关键技术这是视频目标跟踪算法的matlab仿真，非常值得学习，主要的算法有单高斯背景的建模算法、多高斯模型算法检测运动目标

使用说明第一步：训练网络。使用训练样本进行训练。（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别）第二步：识别。首先，打开图像（256色）；再次，进行归一化处理，点击“一次性处理”；最后，点击“R”或者使用菜单找到相应项来进行识别。识别的结果显示在屏幕上，同时也输出到文件result.txt中。该系统的识别率一般情况下为90%。此外，也可以单独对打开的图片一步一步进行图像预处理工作，但要注意，每一步工作只能执行一遍，而且要按顺序执行。具体步骤为：“256色位图转为灰度图”－“灰度图二值化”－“去噪”－“倾斜校正”－“分割”－“标准化尺寸”－“紧缩重排”。注意，待识别的图片要与win.dat和whi.dat位于同一目录，这两文件保存训练后网络的权值参数。具体使用请参照书中说明。

这是一个比较好的用于图像分割的matlab应用实例，对于初学者来说是很有参考价值的，可以直接应用，这是一个比较好的用于图像分割的matlab应用实例，对于初学者来说是很有参考价值的，可以直接应用，这是一个比较好的用于图像分割的matlab应用实例，对于初学者来说是很有参考价值的，可以直接应用，这是一个比较好的用于图像分割的matlab应用实例，对于初学者来说是很有参考价值的，可以直接应用，

matlab练习程序（矩形变换为单连通形状）变换使用的模板必须是单连通的，而且模板中心必须在模板内，如果在模板中打个结或是月牙形，这里的程序就处理不了了。虽然非单连通模板也有办法处理，不过不是这里要讨论的。这里用到的方法和矩形变换为圆那片文章中用的方法几乎一样，变换前后像素按比例缩减，不过在判断弧度和图像边界到模板中心距离时略有不同。变换为圆时弧度可以直接计算出来，而变换为任意形状只能算出一个最小相似值。至于图像边界到模板中心距离只能分八种情况判断了，处理圆时可以根据对称性简化程序，这里似乎没有什么好办法简化。变换细节上，那篇文章中使用的是正向插值，这里使用正向插值则会产生很多空洞，因此选择了更常见的逆向插值。