这是一个AU人脸图像库，对做人脸识别的同学们有用，你们感兴趣的同学可以下载看看，可以自己做预处理，然后再提取特征，最后分类匹配

请引用这些论文： [1] S. Mukherjee和R. Guddeti，“使用加速框架在立体图像中基于深度的选择性模糊”，Springer-Verlag杂志“ 3D研究”，第1卷。 5，没有。 2014 年 3 月。 [2] S. Mukherjee 和 R. Guddeti，“基于立体视觉的稀疏视差估计的视差计算混合算法”，IEEE 第 10 届信号处理和通信国际会议 (SPCOM)，2014 年 7 月。 我的算法采用了一种快速的混合方法（基于块和区域的混合）从校正后的立体图像对进行立体视差估计。 对于来自 Middlebury 立体视觉数据集的三个标准基准图像（Tsukuba、Sawtooth 和 Venus），其错误率分别低至 7.8%、5.3% 和 4.7%，尺寸分别为 384x288、434x380 和 434x383 像素。 该算法在具有 Intel i7-2600 CPU

matlab开发-带闪光灯和无闪光灯图像对的数码照片。用闪光和无闪光图像对实现数字摄影

数据说明 指纹图像平均分为5类，每个类别有400个指纹对： A =弓形， L =左环， R =右环， T =帐篷形弓形， W = 螺旋形。 每个图像随带的文本文件提供了从ANSI / NIST-ITL格式（AN2）文件中提取的性别，类别和历史记录信息。

用于查看图像相似度的图像对，避免拼接图像，操作非常方便，可以指定两个文件夹，也可以指定两个csv文件，而且基于pyqt5的全新界面布局方式，类似pycharm，非常简洁干净

该工具包括引导滤波器、引导上采样和残差插值。 请在示例文件夹中运行 runall.m。 参考： 导向过滤器： Kaiming He、Jian Sun 和 Xiaoou Tang，引导图像过滤，欧洲计算机视觉会议 (ECCV)，2010 年。 Kaiming He、Jian Sun 和 Xiaoou Tang，引导图像过滤，IEEE Trans。 模式分析和机器智能 (TPAMI)，卷。 35，第 6 期，第 1397-1409 页，2013 年。 引导上采样： Yusuke Monno、Masayuki Tanaka 和 Masatoshi Okutomi，使用引导滤波器的多光谱去马赛克，IS&T/SPIE 电子成像论文集 (EI2012)，数码摄影 VIII，第 8299 卷，第 82990O-1-7 页，2012 年 1 月。 残差插值： Yusuke Monno、Daisu

美食家 Foodie是一个Web应用程序，用于从图像中检测食物/饮料。 每天都有成千上万的人在社交媒体上发布他们的美食照片。 从图片中自动识别食物类型在很多情况下都非常有用。 卷积神经网络通过Resnet在包含11种食物即食物的数据集上进行训练。 “面包”，“乳制品”，“甜点”，“鸡蛋”，“油炸食品”，“肉”，“面条/面食”，“米饭”，“海鲜”，“汤”，“蔬菜/水果”。 使用flask Micro Web框架设置Web应用程序环境以提供简单的GUI。 用法： 克隆模型。 在Imagenet数据集上下载Resnet的预训练权重。 训练模型： $ python3 train.py 运行网络应用 $ export FLASK_APP=predict_app.py $ flask run --host=0.0.0.0 从浏览器中打开 ，以查看在社交机上运行的应用程序。 萤幕检视

三维旋转拼接matlab代码该任务的目标是实施稳健的单应性和基本矩阵估计 记录通过2D或3D投影变换分隔的图像对。 1对图像拼接 第一步是编写代码以将一对图像拼接在一起。 对于这一部分，您将继续工作 与以下一对（单击图像以下载高分辨率版本）： 1.加载两个图像，将其转换为两倍和灰度。 2.在两个图像中检测特征点。 您可以使用哈里斯拐角检测器代码harris.m 提供或您作为HW 2的一部分开发的Blob检测器。 3.提取两个图像中每个关键点周围的局部邻域，然后简单地通过以下方式形成描述符 将每个邻域中的像素值“展平”为一维向量。 试用dif- 不同的邻域大小，以查看哪种方法效果最好。 如果您使用的是拉普拉斯探测器，请使用 检测到的特征比例尺来定义邻域比例尺。 4.计算一个图像中每个描述符和另一图像中每个描述符之间的距离。 你 可以使用为快速计算欧几里得距离提供的dist2.m。 或者，进行实验 计算归一化相关性，或将所有描述符归一化后的欧几里得距离 零均值和单位标准偏差。 （可选）随时尝试使用SIFT描述符。 我们提供的脚本sift.m包含一些用于计算SIFT描述符的基本代码 圆形区域

Gender_Classification_Images 该存储库包含一个python脚本，可以根据图像对性别进行分类。 所使用的数据集包含超过23,000张图像。 其他未使用的标签包括年龄和种族。 为了简化本地计算机上的训练过程，使用了简化的CNN模型而不是原始体系结构。 最终模型在组合的训练和验证集中进行了训练。

脑肿瘤检测| Web App演示（烧瓶）| 三角洲团队 使用Web App（Flask）进行脑肿瘤检测，可以基于上传的MRI图像对患者是否患有脑肿瘤进行分类。 该项目使用的图像数据是用于脑肿瘤切除术的Brain MRI图像。（ ） 影片示范 点击图片播放 :backhand_index_pointing_down: 想要在您的计算机上运行该项目 按着这些次序 克隆或下载（ ） 在项目目录中打开终端/ CMD 然后使用以下命令创建虚拟环境： py -m venv env 使用以下方法激活虚拟环境： env\Scripts\activate 使用以下命令安装所有要求： pip install -r requirements.txt 一口咖啡要花一些时间才能下载 :hot_beverage: 成功下载所有上述要求后，请使用以下命令运行应用程序： flask run 等待几秒钟，直到显示如下： Running on http://127.0.0.1:50