【项目资源】：图像处理。包含前端、后端、移动开发、人工智能、物联网、信息化管理、数据库、硬件开发、大数据、课程资源等各种技术项目的源码。包括C++、Java、python、web、C#、EDA等项目的源码。 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【附加价值】：项目具有较高的学习借鉴价值，也可直接拿来修改复刻。对于有一定基础或热衷于研究的人来说，可以在这些基础代码上进行修改和扩展，实现其他功能。 【沟通交流】：有任何使用上的问题，欢迎随时与博主沟通，博主会及时解答。鼓励下载和使用，并欢迎大家互相学习，共同进步。

数字图像处理与机器视觉++Visual+C++与Matlab实现，原书的pdf版，不是代码，对应书籍的代码：http://download.csdn.net/detail/lvhongwei0627/5108355， 该书对于初学数字图像处理、机器视觉的朋友，帮助颇大，原书的pdf很难找，对应代码，注重实践！加油！空间里还有其他学习数字图像处理、机器视觉的好资料，欢迎学习、交流！

【视频演示】 bilibili.com/video/BV1Se411v7oy/ 【博客地址】 blog.csdn.net/FL1623863129/article/details/135359963 【测试环境】 vs2019 net framework4.7.2 opencvsharp4.8.0

基于Matlab图像处理GUI源代码，支持JPG\PNG等格式的图像处理，RGB值调整，图像旋转、滤波、边缘提取等，Matlab源代码可修改

请注意是源码！不是书……内容包括书中所有章节相关…… 请注意是源码！不是书……内容包括书中所有章节相关…… 请注意是源码！不是书……内容包括书中所有章节相关…… 请注意是源码！不是书……内容包括书中所有章节相关……

基于整数小波变换的数字图像水印实现，The proposed watermark embedding process is realized in integer wavelet transform (IWT) domain to defend the robustness property. Instead of inserting the watermark bits directly in the coefficients of cover media, an indirect embedding mechanism is proposed with the reference to a logistic map based secret key matrix which enhance the secrecy of the proposed embedding approach. Initially, the approximate sub band of the IWT transformed cover image is selected with the intention to embed the watermark.

基于深度学习的果蔬图像分割和特征识别研究__水果图像识别论文毕业设计范文.pdf

本实验报告旨在介绍遥感数字图像校正的基本方法和步骤，具体包括辐射定标、大气校正和几何校正。本实验使用软件ENVI 5.0版本作为平台进行实验，以校正一幅遥感数字图像为例。 在实验目的方面，本实验旨在： 1.进行辐射定标，将数字图像中的原始数据转换为能量单位。 2.进行大气校正，消除大气的影响，使得数字图像能够更加准确地反映地面的信息。 3.进行几何校正，校正数字图像的几何形态，使得数字图像在空间上更加准确地对应地面。 在实验内容方面，本实验分为以下三个步骤： 1.进行FLAASH校正，使用FLAASH算法进行辐射定标，将数字图像中的原始数据转换为辐射亮度温度，消除仪器响应的影响。 2.进行大气校正，使用MODTRAN模型对数字图像进行大气校正，消除大气的影响，得到真实的地表反射率。 3.进行几何校正，进行数字图像的投影和重采样，使得数字图像能够更加准确地对应地面的实际情况。 在实验数据和平台方面，本实验使用软件ENVI 5.0版本作为平台进行实验，并以一幅遥感数字图像为实验数据。实验数据包括原始数字图像和校正后的数字图像。

import cv2 as cv def ORB_Feature(img1, img2): # 初始化ORB orb = cv.ORB_create() # 寻找关键点 kp1 = orb.detect(img1) kp2 = orb.detect(img2) # 计算描述符 kp1, des1 = orb.compute(img1, kp1) kp2, des2 = orb.compute(img2, kp2) # 画出关键点 outimg1 = cv.drawKeypoints(img1, keypoints=kp1, outImage=None) outimg2 = cv.drawKeypoints(img2, keypoints=kp2, outImage=None)

作为广谱中的关键组成部分 基于视觉的智能应用（Dalal和Triggs） 2005;Felzenszwalb， McAllester， and Ramanan 2008），目标 同时定位和分类图像中的对象。 由于卷积神经网络（CNN）（Krizhevsky，Sutskever和Hinton 2012）的强大能力，最近提出了许多基于CNN的对象检测模型，这些模型大致可以分为两类，比如一级和两级对象检测器。具体来说，两级探测器首先选择可能的目标区域 （建议），然后对这些区域进行分类。