按行统计每一行的目标像素值 [y,x,z]=size(I5); I6=double(I5); Y1=zeros(y,1); for i=1:y for j=1:x if(I6(i,j,1)==1) % %如果myI(i,j,1)即myI的图像中坐标为(i,j)的点值为1，即该点为车牌背景 Y1(i,1)= Y1(i,1)+1; end end end

程序的功能 读BMP文件，只能打开256色 （可以是灰度） 傅里叶变换（锐化，平滑，反色，反转） 图像增强（线性变换，模糊） 图像恢复 图像编码 图像分析（灰度直方图，二值化） 图像重建 车牌识别：定位（水平，垂直，定位，车牌选择）分割（垂直分割）匹配（字符识别）差分（水平，垂直） 平滑（中值，领域平均）均衡化，边缘检测（sobel）预处理（归一化，局部增强，二值化）训练（训练神经网络，保存网络）

包含图像直方图、图像边缘检测、图像滤波去噪的matlab代码和视频说明。

包含图像直方图代码，图像滤波去噪、图像边缘检测的matlab算法及实验报告

为了提高植物叶片图像的识别率, 采用改进神经网络算法, 通过径向基函数神经网络建立模型; 采用多环量子算法确定各环量子个体选择概率, 量子旋转门在一定范围内动态调整, 不同环上节点信息共享概率非线性动态变化; 对植物叶片图像进行识别, 包括形状特征、纹理特征; 通过多环量子算法实现径向基函数神经网络参数寻优。实验结果表明, 本文算法对植物叶片图像的几何特征、纹理特征、综合特征的平均识别率分别为91%, 89%, 93%, 与其他算法相比较高, 训练、识别时间分别为3.5 s、2.5 s。

堆场烟雾检测对于火灾预警、保障人员与财产安全具有重要意义。针对传统烟雾检测方法特征提取不充分，误报率偏高以及稳健性较差的问题，提出一种基于并行深度残差网络的堆场烟雾检测方法。该方法利用目标场景烟雾RGB图像的R、G、B分量以及图像HSI变换的H、S、I分量构建并行深度残差网络，自适应获得烟雾特征；同时通过样本扩边、负样本强化学习策略来加强模型对类烟物体的判别能力。实验结果表明，该算法能有效降低因类烟物体产生的误报率，且提升了网络的检出率和稳健性。

【摘要】以火车货车的车号及自重数字图像为研究对象,在计算机二维图像及数字识别方面进 行了研究。提出多种新方法、突破传统方法的局限性,获得了较高的整体识别率。 关键词:滤波　二值化　非线性　特征提取

基于VC++的数字图像处理技术，封装了VC用于数字图像处理的所有函数类，加入了最新的车牌识别代码

DSP C66X系列，VLIB图像处理库，可以直接安装使用，会自动在CCS开发工具下面的ti根录生成库文件，库文件中每个算法可以单独测试

数字图像处理简介，图像增强，图像复原，图像压缩编码，图像分析，图像匹配，模式识别