基于OpenCV的图象RGB直方图检索系统 文件结构： DB/ 数据库文件夹（存放图像的直方图特征） mirflickr/ 图片文件夹（存放jpg图片，本例为mirflickr25k数据集） config.py 配置文件（定义图片文件夹路径、数据库文件夹路径、图像采样大小、图像分块大小、直方图桶大小、图像颜色通道数、相似度阈值） db.py 数据库程序 main.py 图像检索主程序 test.jpg 需要在数据库中检索的图片 util.py 通用的操作库 运行环境： Python 2 Numpy Matplotlib cv2 环境配置： 下载并安装anaconda2 在命令行中运行 conda install -c menpo opencv3 以安装opencv for python 运行流程： 下载数据集（http://press.liacs.nl/mirflickr/mirflickr25k.v2/mirflickr25k.zip），将其中的jpg文件放入图片文件夹 *配置config.py（如果使用自己的数据集）,主要修改图片文件夹路径和相似度阈值 *修改db.py中的备注选项以可视化数据库创建过程和直方图计算结果 删除数据库文件夹中的所有内容 运行 python db.py 以创建图像数据文件库（创建好后，无需第二次运行） 将想要检索的图片放在目录下以test.jpg命名 运行 python main.py 所有超过相似度阈值的图片将以窗口形式显示出来

matlab实现的基于颜色直方图的特征匹配，RGB转换成hsv， 量化颜色，计算两幅图像特征向量之间的距离，实现颜色特征匹配。同时，二值化之后，计算zernike矩和hu不变矩，可以作为第二个特征匹配量。

New adaptive histogram equalisation heuristic approach for contrast enhancement 论文原文，一种直方图均衡化算法。效果很不错，实现代码在我的博客里

基于verilog的直方图统计，不使用ramip，自行编写ram模块方便好用 输入sclk像素时钟，输入clk_ram二倍频 在一个像素时钟内实现读取和加一存入，在帧间实现清零第一帧无效 输入灰度级10bit，最高统计384*288阵列可改 参数可根据自己需求修改

matlab直方图隐藏信息代码hctsa ，一个高度比较的时间序列分析代码存储库 hctsa是一个用于运行高度比较时间序列分析的软件包，使用（完全支持R2014b或更高版本；用于python cf.）。 该软件提供了一个代码框架，可从时间序列（或时间序列数据集）中提取成千上万的时间序列分析功能，以及用于对数据进行规范化和聚类，生成数据的低维表示的工具，识别不同时间序列类别之间的区分特征，使用大量时间序列特征集学习多元分类模型，找到与感兴趣时间序列最接近的匹配项，以及一系列其他可视化和分析功能。 所有这些类型的分析都在我们的随附资料中进行了描述。 提供了有关hctsa的全面文档，可以在线阅读或以pdf，epub或mobi格式下载。 任何反馈是非常有帮助的（），并且具体地，涉及该代码的任何改进将是非常在或形式理解。 下载资料库 对于不熟悉git的用户，只需单击“下载.zip”按钮即可下载存储库的当前版本。 建议将存储库与git一起使用。 为此，请使用以下代码将其克隆到本地计算机，然后将其设置为与主存储库保持同步： git remote add upstream git://github.c

Matlab-Image-Dehazing-Enhazing:图像去雾、图像增强、灰度直方图均衡化等

用matlab实现直方图均衡化、平滑滤波、均值滤波（并非是自带函数），适合初学者，有同matlab自带函数的对比效果图。（经测试，能运行）

MMBEBHE直方图均衡的算法实现，相关论文：Preserving brightness in histogram equalization based contrast enhancement techniques

以下论文的Matlab代码Kuldeep Singh、Rajiv Kapoor，使用基于曝光的子图像直方图均衡化进行图像增强，模式识别字母，第 36 卷，2014 年 1 月 15 日，第 10-14 页，ISSN 0167-8655， http: //dx.doi.org/10.1016/j .patrec.2013.08.024 。 ( http://www.sciencedirect.com/science/article/pii/S0167865513003280 )

有报告，有代码，有教程 function shiyan5 clear; %使用霍夫曼编码算法对图像进行编码 clear all; image=imread('图片.jpg'); %读取彩色原图像 image_hui=rgb2gray(image); %灰度化图像 image_88=image_hui(1:8,1:8,:); [M,N] = size(image_88); I1 = image_88(:); P = zeros(1,256); %获取各符号的概率；