3.5.3基于光流的分割法 1. 聚类法 2. 分层法 3. 贝叶斯分割法 （1）基本问题 （2）Murray和Buxton算法

实现基于贝叶斯框架的目标检测技术研究，创建了GUI界面，实现了时间差分法、背景减除法、光流法、高斯背景建模算法等多种算法处理效果对比，还实现了灰度处理、二值化等多种图像处理功能

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

光流法图像分析matlab源码.rar

OpenCV是一个基于Apache2.0许可（开源）发行的跨平台计算机视觉和机器学习软件库，网络上一些小伙伴写的一些关于Android版OpenCV的博客，大部分都模糊不清，基本就复制粘贴的，有些甚至没有实践就直接贴上去了，这样不仅误导初学的一些小伙伴，而且被其他小伙伴转载或者复制之后，会造成更大的影响和后果。正所谓”徒错错一个，师错错一窝。为人师者慎下笔“，故此，本专栏亲自研究，实践，将调试过程中所遭所遇进行详细讲解，注意事项进行一一列举，希望能够帮助到各位初学OpenCV的小伙伴，避免走弯路，费时费力。 需opencv官网下载OpenCV-android-sdk将其中的sdk覆盖工程中的sdk，由于sdk文件太大，这里就没有上传，是个空目录。

基于opencv对光流法的实现；包含3个简单的测试视频和代码。 基于python语言，会用到matplotlib（但不是必须的，可以删除对应语句） 首先获取视频或者摄像头的第一帧图像。用goodFeaturesToTrack函数获取初始化的角点，然后开始无限循环获取视频图像帧，将新图像和上一帧图像放入calcOpticalFlowPyrLK函数当中，从而获取新图像的光流。 calcOpticalFlowPyrLK的官方文档：https://docs.opencv.org/4.4.0/dc/d6b/group__video__track.html#ga473e4b886d0bcc6b65831e

关于光流算法的推导过程，主要是金字塔LK光流的推导

使用金字塔分解和迭代细化，计算OF。 包括一个演示和一篇彻底解释该方法的论文。

OpticalFlow 稠密光流法的代码实现 使用VS2015 c++的代码

-在过去的四十年里，大多数人使用变分方法来解决光流估计的问题。随着机器学习的发展，最近的一些工作试图利用卷积神经网络（CNN）来解决这个问题，并取得了令人满意的结果。FlowNet2[1]是最先进的CNN，需要超过160M的参数才能实现准确的流量估计。我们的LiteFlowNet2在Sintel和KITTI基准测试中的性能优于FlowNet2，同时在模型尺寸和运行速度上分别是FlowNet2的25.3倍和3.1倍。LITEFRONET2是建立在传统方法基础上的，类似于变分方法中数据保真度和正则化的相应作用。我们以SPyNet[2]的形式计算空间金字塔形式的光流，但通过一种新的轻型级联流推断。通过早期校正和描述符匹配的无缝结合，它提供了较高的流量估计精度。流正则化通过特征驱动的局部卷积来改善异常值和模糊流边界的问题。我们的网络还拥有一个用于金字塔特征提取的有效结构，并支持特征扭曲，而不是像FlowNet2和SPyNet中所实践的图像扭曲。与LiteFlowNet[3]相比，LiteFlowNet2在Sintel Clean上的光流精度提高了23.3%，Sintel Final提高了12.