-
基于OpenCV的数字识别程序
资源描述
资源描述
基于OpenCV的数字图像处理程序。通过图像模糊二值化，查找连通域，提取数字信心。
- 2023-05-20 00:10:09下载
- 积分：1
-
FFT,DFT,IFFT变换的c程序
学习数字信号处理时，基于时间的离散傅里叶变换和基于频率的离散傅里叶变换及其对应的逆变换，非常重要。下面程序实在VS的平台上运行的程序，希望对大家有用处。次程序集合了三个程序为一体，更简洁实用。
- 2022-06-27 20:18:57下载
- 积分：1
-
opencv facedetect
基于opencv的图像处理，This program demonstrates the cascade recognizer。This classifier can recognize many kinds of rigid objects, once the appropriate classifier is trained
- 2022-07-07 18:01:12下载
- 积分：1
-
Sobel算子来检测边缘图像
我们检测到的边缘图像进行8个方向。 更换图像加载命令PLS。
- 2022-04-24 20:34:17下载
- 积分：1
-
kalman+camshift 跟踪程序
针对camshift跟踪容易丢失目标问题，加入了kalman滤波来预测下一个可能存在的位置，跟踪丢失的几率降低。cam-shift算法的原型是mean-shift算法，后者的核心是沿某种函数的梯度方向迭代，之后根据迭代次数和误差阈值收敛于某一个范围，这个范围就是“要找”的区域。 这个函数是目标区域色彩直方图在当前关键帧的投影得到的图像，可以把这个图像理解成一种空间函数分布——色彩地形图。 cam-shift算法是对mean-shift算法的升级，可以进行窗口可变的迭代……cam-shift是一种基于密度函数迭代的跟踪算法，对运动不敏感，所以不能进行两帧之间目标的关联分析（这一部分要我们自己做）。而这个算法之所以能够用来跟踪，我认识是算法的前提假设，相连帧间目标的运动是微小的，即运动是近似连续的，这样密度函数是连续的，就可以沿梯度方向寻找局部最优值，这是这个局部最值就是目标区域。 cam-shift算法很容易跟丢，这是因为密度函数可能有多个峰，而梯度搜索很容易掉进局部最优值，而不能再到全局最优。多峰值的出现是因为背景的干扰。所以密度函数的选取，即目标特征的表示方式，是一个很重要的部分。
- 2022-05-28 22:57:31下载
- 积分：1
-
去除块效应和光圈效应算法
在视频图像处理中，由于分块处理会带来块效应，降低视觉效果，本程序可以去除块效应和光圈效应，提高视频图像的视觉效果。
- 2022-03-25 02:25:07下载
- 积分：1
-
2D/3D image segmentation toolbox
Features of the toolbox:
(1) The toolbox includes classic level-set methods such as geodesic active contours (GAC), Chan-Vese model and a hybrid model combining the boundary and regional terms.
(2) All the methods are implemented with the semi-implicit solver AOS which can
- 2023-01-15 14:05:04下载
- 积分：1
-
matlab神经网络数字识别
在加工每一针前根据设定轨迹、运动参数、物料材质、当前加工位置等先用BP神经网络得到加工点粗略的变形量,对加工轨迹进行预补偿。加工时动态采集加工点的局部图像,经数字图像处理得到加工点实际坐标与设定坐标的偏差值,一方面将所得值作为神经网络的输出样本,结合相关参数对神经网络进行在线培训,另一方面将此偏差值与加工点设定坐标之和(即加工点实际坐标)用神经网络的输出进行预补偿,求出其与针头实际位置的差值作为PID控制器的输入,从而提高控制系统的动态特性,实现快速精确绗缝的自动化加工。
- 2022-03-20 17:09:13下载
- 积分：1
-
虹膜识别软件_基于计算机视觉算法
应用背景虹膜识别软件，基于VS2010中的MFC开发的，一定可以跑起来，有详细的算法说明，有完整的程序代码和详细CDIO文档，以及详细的流程图。关键技术基于计算机视觉和模式识别技术开发的虹膜提取和识别软件。通过提取虹膜的关键点特征，设计出好的特征提取算法，能最大程度的区分不同人的虹膜的特征，具有良好的应用效果。
- 2022-08-10 17:52:35下载
- 积分：1
-
图像基本处理
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
- 2023-08-29 05:30:05下载
- 积分：1
