粒子滤波跟踪

附件中提供的代码是根据文章“Image Denoising Via Sparse and Redundant Representations Over Learned Dictionaries”编写的，整个程序分为两个阶段，第一，稀疏分解，第二，字典学习过程。在稀疏分解中采用的是正交匹配追踪算法（OMP），在字典学习过程中采用K次奇异值分解方法（SVD）更新字典原子。

待纠正的影像和参考影像，通过获取同名点坐标，解算多项式纠正系数。然后通过多项式纠正带畸变的影像，得到无几何畸变的影像。the program designs for rectifying the image with reference image

本代码是利用凸优化对L1范数进行优化，从而达到对系数图像去噪的效果，输出为去噪后图像以及噪声图像，本代码对椒盐噪声去除效果尤为明显，而且迭代次数少，收敛速度快

函数代码 = huffman(p) 哈夫曼 %生成符号源变量长度的哈夫曼代码。 代码 %= HUFFMAN(P) 返回一个哈夫曼代码作为二进制字符串的单元格 %数组的代码输入的符号概率矢量体育在代码中的每个单词 %对应于其概率是在相应的指数符号 %的体育 % %检查输入的参数的合理性。 error(nargchk(1,1,nargin)) ； 如果 (ndims(p) ~ = 2) | |(min(size(p)) > 1) | |~isreal(p) | |~isnumeric(p) 错误 ("P 必须是一个实数值向量"） ； 结束 %全局变量生存所有递归函数 "makecode" 的 全局代码 CODE=cell(length(p),1) ；%Init 全球太阳能电池阵列 如果 length(p) > 1%时多个符号...... p = p/sum(p) ；%规范化输入的概率 s = reduce(p) ；%做哈夫曼源符号削减 makecode (s，[]) ；%以递归方式生成的代码 其他 代码 = {"1"};%其他、 微不足道的一个符号案例 ！ 结束 %……………………………………………………………….% 函数 s = reduce(p) ； %在 MATLAB 的单元格结构中通过创建一个哈夫曼源减少树 减少 %执行源符号减少，直到只有两个 剩余的 %符号。 s = cell(length(p),1) ； %生成符号节点 1 2、 3，开始树...到引用 %符号的概率。 为我 = 1:length(p) s {i} = i ； 结束 同时 numel(s) > 2 [p，我] = sort(p);%排序符号概率 p(2) = p(1) + p(2) ；%合并

海，

能实现高密度人群的检测和人员的跟踪–基于背景差的运动目标检测、分割方法难以奏效 .利用Adaboost分类器在带状区域中检测行人头部 ，•柔性较好，针对不同的应用场景参数调整较少•实时性好，普通PC上实现30FPS的检测速度•统计准确率较高–密度低时能达到90%以上的准确率–密度高时能达到70%以上的准确率 

基于颜色的图像检索系统，版本Visual C++ 6.0，是基于词袋模型编的代码，算法用的是SIFT提取特征，图片的格式要求是bmp的，编译可以运行！

影像的任意角度旋轉. 影像旋轉任意角度：. 旋轉 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

Use a standard Lena image as the ground truth, then calculate the PSNR (Peak Signal-to-Noise Ratio) & MSE (Mean Square Error) values of another test image. Note: The two images must be with the same size. The main code: MSE = double(Sum_SE)/(H_src*W_src) PSNR= 10*log10(255^2/MSE)

使用matlab将图像二值化后，研究阈值分割的方法，包括均匀性度量法，迭代法和阈值自选的代码。