matlab声音信号相位代码共识轮廓 这是 Yoonseob Lim、Barbara Shinn-Cunningham 和 Tim Gardner 描述的共识轮廓算法的 C 实现。 以及在 IEEE 出版物中。 此实现的灵感来自包含该算法的 MATLAB 实现的存储库。 这种实现在很大程度上依赖于 macOS Accelerate 框架（它使用矢量化指令来优化常见计算，例如 FFT 和重新分配所需的复数比率）。 目前，此代码有一些限制： 最初的共识轮廓工作建议消除除最长轮廓之外的所有轮廓。 为了减少内存使用并将此方法扩展到实时音频处理，此代码保留了所有轮廓。 这仅返回一致的轮廓谱图，但不提供对已识别轮廓的编程访问。 此代码的优点： 该代码支持单精度和双精度。 该代码包括一个mex文件实现以允许在 MATLAB 中使用。 对于 5 秒的音频文件， ccontour实现比acontour (MATLAB) 实现快acontour 。 在大多数现代计算机上，实时计算轮廓已经足够快了。 用法：C API 是根据 Accelerate 框架建模的，特别是使用指向结构的不透明指针来保存算法所需的所

主要为大家详细介绍了opencv实现轮廓高斯滤波平滑，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

该工具箱实现了一种基于能量的分割算法，该算法使用基于有限差分的水平集演化。 （见[1]、[2]）。 实现了曲线演化的多尺度控制——这大大减少了对初始化的敏感性以及提高执行速度系数为 10-1000 甚至更多（[3]）。 给定一个分割问题，可以使用这个 GUI 来找到适当的参数将为所使用的图像类别生成所需的分区。 如果需要，工具箱中的函数可以重新用于脚本算法。 笔记： 这不是一个完整的多重网格算法，比例导航在“手册”中提供模式，用于“图像学习”。 一旦你掌握了它，你就可以编码bit in。在同一行，计算并显示错误，但没有决定采取，迭代控制也留在“手动”。 有关算法的详细信息，请参阅最后的参考资料。 从 GUI 可以： - 使用加载/保存菜单加载数据并保存中间状态- 选择分割参数（Mu、Lambda+、Lambda-、dt、Nu） - 迭代（放松）选定的步骤数- 延长，限制，重新距离

针对现有计算机视觉对交通路标识别的复杂性和不稳定性的问题，通过运用图像轮廓识别技术，提出了由全局特征到局部特征再到结构特征的多层次轮廓识别，在交通路标的识别过程中，分别构造了图像密度、形状度量、光滑程度和轮廓熵值4个层次的图像轮廓，同时结合Sobel算子和信息熵对交通路标图像进行了提取与分块处理。通过实验仿真结果表明：在图像的提取过程中，交通路标图像随着其DMOS值的增大，图像的质量越差，清晰度越低，其NRSS值越小；在图像的识别过程中，低通滤波器的大小设置为7×7，原图NRSS为0.7654，形状度量为1.3和2.4时，NRSS分别为0.3712和0.2667。这种层次化的轮廓分析在路标的识别上具有较好的稳健性。

利用AlphaShapes算法提取离散点轮廓线.doc

是一个可执行的文件，需要opencv3.3.0的环境配置。对于研究活动轮廓模型算法的人很有帮助。

对简单场景下的点云数据进行分类（建筑物点、地面点、植被），提取轮廓线并三维可视化。具体的效果可参考博客：https://blog.csdn.net/qq_32867925/article/details/123301985

基于点云数据的建筑物轮廓提取，LIDAR点云数据，建筑物，轮廓提取

安全帽分割是实现煤矿人员智能视频监控的关键技术之一，可促进人员定位、跟踪、安全帽佩戴检测等相关技术的研究，为此，提出一种基于超像素特征提取与支持向量机(Support Vector Machines,SVM)分类的矿井人员安全帽分割方法。首先，采用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)模型将人员图像粒化为一定数量内部像素点颜色特征相似且空间位置相近的超像素。其次，提取超像素在RGB，YCbCr，Lab，HSV空间上的颜色特征及其灰度直方图纹理特征，通过分析安全帽二维轮廓线上的斜率变化特性建立安全帽轮廓特征模型。最后，在训练集人员图像中分别提取安全帽正样本超像素和背景负样本超像素的颜色、纹理特征训练SVM分类器，采用已训练的SVM将测试集中的人员图像超像素二分类为安全帽正样本和背景负样本。进一步通过安全帽轮廓特征模型判别SVM误分类的虚假正样本并对其进行类别修正，识别同时包含正样本像素点和负样本像素点的欠分割样本超像素，并通过求取正样本区域边界掩模与Prewitt算子所提取轮廓的差集对其进行二级像素分类，分离出其中的正样本像素区

OpenCV根据矩形轮廓校正倾斜。详细说明请参考博文：http://blog.csdn.net/mengchicmc/article/details/77981112