此仓库是AWESOME摄影测量项目，应用程序，工具和资源的集合。 标有的项目 是开源软件，并链接到源代码。 标有的项目 是非免费的，可能需要花钱才能使用。 随意贡献/加星/分叉/拉取请求。 任何建议和意见是值得欢迎的。 目录 科学会议 相关真棒列表 执照 致谢 定义 根据K. Schindler和W.Förstner的摄影测量学定义： “摄影测量学是从图像中获取有关物理环境信息的科学技术，重点是在测量，制图和高精度计量学中的应用。摄影测量学的目的是为这些工程任务提供自动化或半自动化的程序，着重于指定的准确性，可靠性和信息完整性。” 资料来源：K. Schindler和W.Förstner的摄影测量（2020）。 于：《计算机视觉：参考指南》，第二版。 摄影测量软件 Agisoft变形 麦克麦克 MVE OpenDroneMap Pix4D 现实捕捉 确保

冈萨雷斯 习题讲解 第四版， 英文版需要自己翻译， 数字图像处理

使用K均值的体外LSCI图像中的血管定位 该存储库具有实现会议文章中描述的方法的功能：使用在“ 图像在体外的LSCI图像中进行血管定位” ，这是项目“血管的可视化和定位”的一部分而开发的。 抽象的 激光散斑对比度成像中血管的可视化和定位是生物医学应用（例如皮肤病学，神经科学和眼科学）中的一项重要任务，因为它可以确定血管的存在并评估诸如血流的性质。 这项工作建立了可视化方法的综述，用于对比度计算和激光散斑对比度成像的改进。 另外，通过聚类以自动方式提出了血管的定位。 结果表明，血管的定位很大程度上取决于对比度的计算和改善。 如果血管和生物组织区域彼此分开得很好，并且噪声水平较低，则K均值聚类是在激光斑点对比成像中定位血管的强大工具。 内容 组织 没有声明其他内容目录。 贡献者 算法，应用程序和工具的代码由以下人员贡献： F. Lopez-Tiro，H.Peregrina-Barreto，J

数字图像处理，冈萨雷斯，文字版，英文版，第三版，解答，国内外经典教材

人脸识别 这个仓库是使用TensorFlow 2.0框架，并基于 论文上完成的，其中主要分为四大块：人脸检测、人脸矫正、提取特征和特征比对。各个模块的大小和在我的 17 款 macbook-pro 的 CPU 上跑耗时如下： 人脸检测：使用的是 mtcnn 网络，模型大小约 1.9MB，耗时约 30ms； 人脸矫正：OpenCV 的仿射变换，耗时约 0.83ms； 提取特征：使用 MobileFaceNet 和 IResNet 网络，耗时约30ms； 特征比对：使用曼哈顿距离，单次搜索和完成比对耗时约 0.011 ms； 注册人脸 注册人脸的方式有两种，分别是: 打开相机注册: $ python register_face.py -person Sam -camera 按 s 键保存图片，需要在不同距离和角度拍摄 10 张图片或者按 q 退出。 导入人脸图片: 保证文件的名字与注册人名相

医学成像交互工具包（MITK）是用于开发交互式医学图像处理软件的免费开源软件系统。 MITK将Insight Toolkit（ITK）和Visualization Toolkit（VTK）与ap结合在一起。Medical Imaging Interaction Toolkit（MITK）是一个免费的开源软件系统，用于开发交互式医学图像处理软件。 MITK将Insight工具包（ITK）和可视化工具包（VTK）与应用程序框架结合在一起。 以下链接提供了针对不同使用场景的高级和参考文档：获得有关MITK的高级概述，并提供指向更多文档的指针寻求MITK应用程序帮助的最终用户应阅读以下内容：

语义分割的有效解决方案：具有无可分离卷积的ShuffleNet V2 我们提出了一种计算有效的语义分割方法，同时实现了对Cityscapes挑战的70.33％的高均值交集（mIOU）。 建议的网络能够在移动设备上实时运行。 纸： 如果您发现该代码对您的研究有用，请考虑引用我们： @InProceedings{turkmen2019efficient, author = {Sercan T{ \" u}rkmen and Janne Heikkil{ \" a}}, title = {An Efficient Solution for Semantic Segmentation: {ShuffleNet} V2 with Atrous Separable Convolutions}, booktitle = {Image Analysis}, year

数字图像的matlab实现第三版 Digital Image Processing Using MATLAB 3rd edtion 冈萨雷斯，这个版本配套冈萨雷斯的数字图像处理第四版教材，新增了不少算法，包括图像配准，图像分割，深度学习，卷积神经网络等

轻量级Mat和imread（）/ imwrite（）/ imshow（）SmallCV轻量级Mat和imread（）/ imwrite（）/ imshow（）。 基本用法：#include #include“ smallcv.hpp” int main（）{std :: string image_path =“ mingren.jpg”; sv :: Mat image = sv :: imread（image_path）; sv :: rgb_bgr_swap_inplace（image）; sv :: imwrite（“ mingren_swap.jpg”，image）; sv :: imshow（“ mingren”，image）; sv :: waitKey（0）; sv :: imwrite（“ mingren_swap.bmp”，图片）； 返回0; }示例屏幕截图：

Digital Image Processing 4th Edition [Rafael C. Gonzalez].pdf