搜索资源列表
TextDetect
- 云行TextDetection.exe程序，打开任意一幅bmp文件。点击“操作 检测文本区域”， 变会弹出文本检测的结果框。框内设定显示前六个文本区域的二值化结果，注意该框不要移动。关闭该框，BMP文件原始图像中用红色矩形框显示出检测出的文本区域。-cloud OK TextDetection.exe procedures, arbitrary opened a bmp file. Click on the "
2223222
- 我们给出一个模板 和一幅图象 。不难发现原图中左边暗，右边亮，中间存在着一条明显的边界。进行模板操作后的结果如下： 。 可以看出，第3、4列比其他列的灰度值高很多，人眼观察时，就能发现一条很明显的亮边，其它区域都很暗，这样就起到了边沿检测的作用。 为什么会这样呢？仔细看看那个模板就明白了，它的意思是将右邻点的灰度值减左邻点的灰度值作为该点的灰度值。在灰度相近的区域内，这么做的结果使得该点的灰度值接近于0；而在边界附近
gkp
- 这是用c#实现的david low的sift（尺度不变特征点变换算法）特征检测，面向对象的实现代码写的十分的好，是图形图象学习的好资料 -This is the realization of c # david low sift the (scale-invariant feature points transform algorithm) Feature detection, object-oriented code writte
20078919473159230
- 尺度不变特征点(SIFT)检测和匹配算法 需要添加opencv 和GSL库
gkp
- 这是用c#实现的david low的sift（尺度不变特征点变换算法）特征检测，面向对象的实现代码写的十分的好，是图形图象学习的好资料 -This is the realization of c# david low sift the (scale-invariant feature points transform algorithm) Feature detection, object-oriented code written
tuxiangpinjiefa
- 一种全自动稳健的图像拼接融合算 提出了一种全自动稳健的图像拼接融合算法。此算法采用Harris角检测算子进行特征点提取,使提取的 精度达到了亚像素级,然后以特征点邻域灰度互相关法进行特征点匹配得到了初步的伪匹配集合,并运用稳健的 RANSAC算法将伪匹配点集合划分为内点和外点,在内点域上运用LM优化算法精确地估计出了图像间的点变 换关系,最后采用颜色插值对交接处进行颜色过渡。整个算法自动完成,它对有较大误差或错误的特征点数据
GAME
- 利用SIFT检测两图片的相同点，并获 ·北京大学数字图象处理课件，封举富 ·主要内容彩色256色转灰度图,hough变 ·OPENCV手册！opencv用具很实用，广 ·功能强大的图像处理软件可以打开,关 ·ICP是用来匹配两组未知点，可以用于 ·利用opencv完成的汽车牌号识别，支 ·細線化程式,本程式源 ·图像处理算法方面编程代码汇总，请 -Detect SIFT picture using t
safjfd
- 首先分析了典型说话人识别系统的各关键技术，详细分析了矢量量化技术在 说话人识别中的应用，研究了码本训练算法以及说话人判别算法，对算法中各参 数值的选取进行了讨论 其次根据系统的需求建立一个小的语音库，录制语音信 号，并对采集的语音信号进行预处理，检测语音信号的起始端点 在MATLAB 环境下仿真说话人识别系统，验证系统设计方案的可行性:特征提取阶段，提取 语音信号的12阶美尔倒谱系数以及各阶倒谱系数对应的1阶差分倒谱
fskpsk
- psk信号发生器在这个实验中，需要输入一个整周期内100个采样点的值，没有利用查找表的方法实现，而是直接在程序中输入100个采样点的值。2FSK/2PSK主要包括两部分2FSK信号发生器和2PSK信号发生器。2FSK信号发生器主要有分频器，m序列产生器，跳变检测，正弦信号发生器和DAC几个部分组成。2FSK的关键是通过判断信号跳变是来改变频率的变化，2PSK的关键是通过信号的跳变来改变相位的变化。-psk信号发生器
PSK
- 在这个实验中，需要输入一个整周期内100个采样点的值，没有利用查找表的方法实现，而是直接在程序中输入100个采样点的值。2FSK/2PSK主要包括两部分2FSK信号发生器和2PSK信号发生器。2FSK信号发生器主要有分频器，m序列产生器，跳变检测，正弦信号发生器和DAC几个部分组成。2FSK的关键是通过判断信号跳变是来改变频率的变化，2PSK的关键是通过信号的跳变来改变相位的变化。-psk
lfx
- 利用Visual C++编程技术实现数字图像处理图像的各种基本技术，主要包括以下几点： 1、BMP格式图象的显示：直接显示和打点显示。 2、几何变换：平移，旋转，镜象变换，转置，缩放。 3、正交变换：包括傅立叶变换、沃尔什变换、离散余弦变换和离散余弦反变 换等。 4、图象增强：包括空域增强（直接灰度变换、直方图处理、图像平滑，均值滤波，拉普拉锐化等）和频域增强（理想低通、巴特沃斯低通滤波）和伪彩色增强。 5、图象
image-processing-
- 这是个图像处理的源代码，是本人自己编写的，实现的功能如下： 锐化、边沿检测：套用模版。另外还有一个自定义模版，供用户自行设计模版运行，从而实现其他功能，如线检测。 浮雕：本像素减相邻像素，再加一个常数得到的。 直方图均衡化则套用步骤，根据课本步骤来编写。 提取轮廓：若该点为黑点，八邻域也为黑点，则就把该点变白。 阈值分割分为固定阈值分割（即二值化）和动态阈值分割（切割若干子图，求均值，该均值即子图的阈值）。 区域
circle-center-fast-accurate-locating
- 摘要：针对SIFT算法在圆心检测应用中的特点，分析了SIFT算法中存在的冗余步骤，提出对其进行简化改进： 估计圆心所在的金字塔层，删减金字塔中多余的层数建立，并且通过提高滤除低对比度特征点阈值的办法减少 背景特征点的生成，去掉了特征点辅方向分配和建立辅方向特征点这一步骤。分别对计算机模拟生成的标准 圆和实际的PCB定位标志图像做了圆心检测实验，实验表明，SIFT算法改进后在没有降低其定位精度及对图 像的模糊、光照、仿射等
SIFT-matlab
- SIFT算法大致有四个步骤： 1，尺度空间极值检测。在尺度空间通过高斯微分函数来检测潜在的对于尺度和旋转不变的兴趣点。 2，关键点定位。在兴趣点位置上，确定关键点的位置和尺度。 3，方向确定。基于图像局部的梯度方向，给每个关键点分配方向。 4，关键点描述。在每个关键点的领域内测量图像局部的梯度。最终用一个特征向量来表达。 -SIFT算法大致有四个步骤： SIFT algorithm has four steps:
robwhess-opensift
- 基于局部不变特征的图像匹配。利用SIFT算法实现局部特征的检测与提取，再用RANSAC算法筛选特征点，提高正确的匹配率。-Based image matching local invariant features. Use SIFT algorithm to detect and local feature extraction, and then filtering feature points RANSAC algorithm to
sift-alghrithms
- SIFT算法大致有四个步骤: 1，尺度空间极值检测。在尺度空间通过高斯微分函数来检测潜在的对于尺度和旋转不变的兴趣点。 2，关键点定位。在兴趣点位置上，确定关键点的位置和尺度。3，方向确定。基于图像局部的梯度方向，给每个关键点分配方向。4，关键点描述。在每个关键点的领域内测量图像局部的梯度。最终用一个特征向量来表达。-SIFT algorithm roughly four steps: 1, the scale space
Password-login-box-official-version
- 输入密码时，在keypress函数里检测输入的按键，如果是图形字符，显示星号，并讲键入的字符存为全局变量，当输入del或backspace时，清除全局变量和星号；当输入为enter或点击确认时，开始比较所键入的全局变量值与密码，当然，用户名要对应密码-Enter a password, key input detection in the keypress function, if it is a graphic character s
SIFT
- SIFT是由UBC（university of British Column）的教授David Lowe 于1999年提出， 并在2004年得以完善的一种检测图像关键点（key points , 或者称为图像的interest points(兴趣点) )， 并对关键点提取其局部尺度不变特征的描绘子， 采用这个描绘子进行用于对两幅相关的图像进行匹配（matching）。 目前， SIFT可以说是所有图像局部特征描述特征子 中最火的一个了。
BloomFilter
- 如需要判断一个元素是不是在一个集合中，我们通常做法是把所有元素保存下来，然后通过比较知道它是不是在集合内，链表、树都是基于这种思路，当集合内元素个数的变大，我们需要的空间和时间都线性变大，检索速度也越来越慢。 Bloom filter 采用的是哈希函数的方法，将一个元素映射到一个 m 长度的阵列上的一个点，当这个点是 1 时，那么这个元素在集合内，反之则不在集合内。这个方法的缺点就是当检测的元素很多的时候可能有冲突，解决方法就是使用 k
图像处理经典算法及OpenCV程序
- 图像处理经典算法及OpenCV程序（基于opencv的use摄像头视频采集程序、基于opencv的use摄像头视频采集程序、基于opencv的两个摄像头数据采集、能激发你用代码做视频的冲动程序、图像反转（就是把黑的变白，白的变黑）、图像格式的转换、从摄像头或者AVI文件中得到视频流，对视频流进行边缘检测 、采用Canny算子进行边缘检测、角点检测、图像的旋转加缩放（效果很拽，用地球做就像谷歌地球似的）。。。。 ）(Classical