sEMG 信号 预处理：去噪，分割，特征提取

基于改进Unet 的丘陵地区耕地地块深度分割与提取.pdf

基于vc的图像处理的代码，可以进行图像的灰度化，二值化，边缘检测、提取等功能

脑脊液 基于布料模拟的机载LiDAR滤波方法。 这是文章的代码： W. Zhang，J。Qi *，P。Wan，H。Wang，D。Xie，X。Wang和G. Yan，“一种基于布料模拟的易于使用的机载LiDAR数据过滤方法”，遥感。，vol。 8号6，第501，2016.（ ） 新功能已实现： 现在，我们用swig包装了CSF的Python接口。 现在使用起来更简单。 这项新功能可以使CSF更易于嵌入到大型项目中。 例如，它可以与Laspy（ ）一起使用。 您要做的只是将点云读取到python 2D列表中，并将其传递给CSF。 以下示例显示了如何将其与laspy一起使用。 # coding: utf-8 import laspy import CSF import numpy as np inFile = laspy . file . File ( r"in.las" , mod

基于传统的手部轮廓特征提取不能应对飞行模拟环境下的脸部肤色、遮挡、光照影响, 以及传统的傅里叶描述子特征容易受到背景、手的姿态变化, 且对手势描述能力有限等问题, 对传统的手部分割和特征提取方法改进. 本文首先对采集的数据集进行肤色处理, 然后结合调用的手部关键点模型检测出手部22个特征点, 采用八向种子填充算法进行图像分割. 接着对手部轮廓和关键点连接骨架进行傅里叶描述子算法特征提取, 最后通过支持向量机算法对提取的手势特征数据集进行训练、识别. 实验结果表明, 本文方法具有较好的手部分割, 特征提取不易受到背景、手的姿态变化的影响, 能够很好地应对在飞行模拟环境下的复杂背景下的干扰, 识别准确率能够达到98%. 本文研究在传统的手势识别算法中有一定的提高作用, 在手部交互技术领域有很重要的应用价值.

通过边界特性选择阈值 基本思想：改善直方图的波峰形状，我们只把区域边缘的像素绘入直方图，而不考虑区域中间的像素。用微分算子，处理图像，使图像只剩下边界中心两边的值。这样直方图的各个波峰很高、很窄、对称，且被很深的波谷分开时，有利于选择阈值。 优点：1) 在目标和背景所占区域面积差别很大时，不会造一个灰度级的波峰过高，而另一个过低；2)边缘上的点在区域内还是区域外的概率是相等的，因此可以增加波峰的对称性。

该程序从图像中分割和提取对象。

该程序以车牌为例，提取车牌号码。platform是matlab。内附有一张车牌示例图。

OpenCV中的GrabCut算法是依据《"GrabCut" - Interactive Foreground Extraction using Iterated Graph Cuts》这篇文章来实现的。该算法利用了图像中的纹理（颜色）信息和边界（反差）信息，只要少量的用户交互操作即可得到比较好的分割结果。那下面我们来了解这个论文的一些细节。另外opencv实现的GrabCut的源码解读见下一个博文。接触时间有限，若有错误，还望各位前辈指正，谢谢。

该算法利用色度和亮度信息来进行图像的前景分割。它的优势在于能够在一定程度上抑制阴影和高亮度点。