Infrared small target detection based on local intensity and gradient properties

此代码用于演示强度级别切片（2 级）。 在此代码中，由用户指定的特定强度范围内的像素被突出显示（255 白色），超出范围的像素被设为 0。

Denver Intensity of Spontaneous Facial Action ( DISFA ) 数据集由 27 个视频组成，每个视频 4844 帧，共有 130,788 张图像。动作单元注释处于不同的强度级别，在以下实验中将被忽略，动作单元要么设置要么未设置。DISFA 是从面部表情识别领域流行的更广泛的数据库中选择的，因为微笑的数量很多，即动作单元 12。详细地说，有 30,792 个有这个动作单元集，82,176 个图像有一些动作单元集48,612 张图像根本没有设置动作单元。视频数据太大，无法上传，有需要的可以私信我。

通过L0对文本图像进行模糊处理

Intensity Scan Context: Coding Intensity and Geometry Relations for Loop Closure Detection

This is the "Active contours driven by local and global intensity fitting energy with application to brain MR image segmentation" (referred to as LGIF model) of the MATLAB source code. LGIF model is very important to local area active contour model, which combines the CV model and the merits of LBF model.

MRI强度归一化 使用提出的方法对多通道MRI图像进行强度归一化 。 在原始论文中，作者提出了一种从一组MRI图像中学习一组标准直方图界标的方法。 这些地标然后用于均衡图像的直方图以进行归一化。 在学习和转换中，直方图都用于查找强度界标。 在我们的实现中，界标是根据强度的总范围而不是直方图来计算的。 这个怎么运作： 规范化分两个步骤进行： 学习界标参数： 从一组训练图像中，使用功能learn_intensity_parameters来学习界标参数。 强度参数ì_min和i_max必须由用户设置。 这两个值确定了标准强度标度的最小和最大强度。 methodT= 'spline'; % or

用STM32F103C8T6控制的光照度测量（BH1750），直接串口输出光照度

本文旨在通过探索补丁中的强度顺序信息来构建鲁棒的特征描述符。 为此， 提出了局部强度阶模式（LIOP）和整体强度阶模式（OIOP），以有效地编码不同方面的每个像素的强度阶信息。 具体而言，LIOP通过使用像素周围所有相邻采样点之间的强度关系来捕获本地序数信息，而OIOP利用这些采样点的粗略量化的总体强度顺序。 然后将这两种模式分别汇总到不同的有序分箱中，从而产生两种特征描述符。 此外，由于这两种描述符可以编码互补序数信息，因此将它们组合在一起即可获得具有判别力的紧凑型MIOP（混合强度顺序模式）描述符。 所有这些描述符都是根据强度的相对关系以旋转不变的方式构造的，从而使它们对于图像旋转和任何单调强度变化具有固有的不变性。 图像匹配和物体识别的实验结果令人鼓舞，证明了我们的描述符在现有技术上的优越性。

图像质量的提高是广泛的基于视觉的应用的基本过程。在不利环境下捕获的图像通常会降低信息内容、清晰度和色彩。 在改善图像的尝试中，非锐化掩蔽滤波器因其计算效率而成为有吸引力的候选者。 然而，过滤器容易受到超范围问题的影响，即像素大小超出允许范围。 如果在增强中使用非自适应过程，则此缺点尤其明显。 因此，在此提出一种自适应增益调整方法，其目的是在使图像清晰度和信息含量最大化的同时，使超范围像素的数量最小。 在这种方法中，色彩通过颜色通道拉伸得到改善，对比度通过边缘增强得到增强。 具体而言，构建了一个双曲正切函数，其尺度取决于原始图像强度和检测到的边缘，用于调整锐度增强的增益。