搭建一个图像处理MFC程序框架，实现将图片像素读取至二维数组，对图片的打开、显示、保存等基本功能，并做灰度修正处理。图像处理的部分是c写的，主要是将图片读入二维数组，然后对每个像素的灰度值进行操作，c++主要是用于搭建处理程序框架。

灰度共生矩阵的详细描述，对于纹理的研究很重要很重要在图像处理中用于描述区域纹理的3种主要方法是统计方法、结构化方法和频谱方法。 统计方法指诸如平滑、粗糙、粒状等纹理的特征描述。结构化技术处理图像元的排列，诸如基于均匀空间分布的平行线纹理描述。频谱技术基于傅里叶频谱特性，主要用于通过识别频谱中高能量的窄波峰寻找图像中的整体周期性。在这里我把统计方法的详细的说明一下

这个一个基于matlab实现的灰度图（gray image）的直方图计算，有直接调用matlab API的方法，也有根据直方图计算原理自己写的方法。

Bilateral Filtering for Gray and Color Images.pdf

图像处理自定义灰度映射、matlab交互方法学习案例，效果预览https://blog.csdn.net/tkl32172/article/details/122060028 （代码中变换函数为yf变量，简单易改）

使用Python+OpenCV实现实时眼动追踪，不需要高端硬件简单摄像头即可实现，效果图如下所示。   项目演示参见：https://www.bilibili.com/video/av75181965/ 项目主程序如下： import sys import cv2 import numpy as np import process from PyQt5.QtCore import QTimer from PyQt5.QtWidgets import QApplication, QMainWindow from PyQt5.uic import loadUi from PyQt5.QtGui

应用OpenCV和Python进行SIFT算法的实现 如下图为进行测试的gakki101和gakki102，分别验证基于BFmatcher、FlannBasedMatcher等的SIFT算法，对比其优劣。为体现出匹配效果对于旋转特性的优势，将图gakki101做成具有旋转特性的效果。 基于BFmatcher的SIFT实现 BFmatcher（Brute-Force Matching）暴力匹配，应用BFMatcher.knnMatch( )函数来进行核心的匹配，knnMatch（k-nearest neighbor classification）k近邻分类算法。 kNN算法则是从训练集中找

''' @Author: your name @Date: 2020-02-13 13:30:07 @LastEditTime: 2020-02-20 16:17:34 @LastEditors: Please set LastEditors @Description: 高斯平滑展示，边缘检测展示， 能够通过按键时时控制高斯平滑，高斯选择改变后改变高斯图和边缘检测图 边缘检测通过右侧两个滑条更改检测阈值 加入圆形检测 ''' import tkinter import os import cv2 import

环境 pip install opencv-python==3.4.2.16 pip install opencv-contrib-python==3.4.2.16 理论 克里斯·哈里斯（Chris Harris）和迈克·史蒂芬斯（Mike Stephens）在1988年的论文《组合式拐角和边缘检测器》中做了一次尝试找到这些拐角的尝试，所以现在将其称为哈里斯拐角检测器。 函数：cv2.cornerHarris（），cv2.cornerSubPix（） 示例代码 import cv2 import numpy as np filename = 'molecule.png' img = cv2

使用格雷码方式实现异步FIFO，使用VERILOG硬件描述语言