搜索资源列表
multimediaLED
- LED字符分割和识别， 在此项目中我们主要完成了对拍摄到的6位LED数字进行分割和识别的课题。识别的数字范围在0~9。由于拍摄环境比较复杂，需要解决复杂背景下对LED字符的分割问题。我们利用了图像的色彩信息，先进行基于色彩的分割，然后对分割结果进行了固定阈值的二值化，并利用投影修正完成了对LED数码管图像的分割，并使用基于模板匹配的算法进行了识别，在匹配过程中对图像进行了尺寸归一化处理。最终得到了较好的识别效果，对10幅样图的识别率达到100％-LED character segmentat
3dplane
- 利用矩特征可以从二维图像识别三维目标,4阶矩的图像峰值反映了目标的形状,为了使它具有平移、比例和旋转不变性,作者对其进行了归一化处理。-use Moments from the three-dimensional two-dimensional image recognition, four bands peak moments of images reflect the shape of the target, In order to give it scale, translation an
DigitRec
- 数字识别系统源代码: 第一步：训练网络。使用训练样本进行训练 第二步：识别。首先，打开图像（256色）；再次，进行归一化处理，点击“一次性处理”；最后，点击“R”或者使用菜单找到相应项来进行识别。识别的结果显示在屏幕上，同时也输出到文件result.txt中。 该系统的识别率一般情况下为90％。 此外，也可以单独对打开的图片一步一步进行图像预处理工作，但要注意，每一步工作只能执行一遍，而且要按顺序执行。 具体步骤为：“256色位图转为灰度图”－“灰度图二值化”－“
digital-recognise
- 数字识别代码 第一步：训练网络。使用训练样本进行训练。（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别）第二步：识别。 首先，打开图像（256色） 再次，进行归一化处理。点击“一次性处理” 最后，点击“R”或者使用菜单找到相应项来进行识别识别的结果显示在屏幕上，同时也输出到文件result.txt中 该系统的识别率一般为90％ 另外，也可以单独对打开的图片一步一步进行图像预处理工作。但要注意，每一步工作只能执行一遍，而且要按顺序执行。步骤为：“256色位图
Zernike-match
- 对输入图像进行预处理后提取目标轮廓，经过归一化处理得到目标形 状的平移、尺度不变的链状表达，再通过小波变换进行多尺度分析；引入Zernike 矩，利用Zernike 矩的特性，实现小波表达的旋转不变性，解决了小波变换对起始点的依赖。-right to import images from pretreatment profile targets, after processing to be a target shape translation, The scale-invariant
digitshibie
- 图形数字识别： 第一步：训练网络。使用训练样本进行训练。（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别） 第二步：识别。 首先，打开图像（256色） 再次，进行归一化处理。点击“一次性处理” 最后，点击“R”或者使用菜单找到相应项来进行识别 识别的结果显示在屏幕上，同时也输出到文件result.txt中-graphics figures recognition : the first step : training netw
szsbxtydm
- 数字识别系统源代码.rar 第一步：训练网络。使用训练样本进行训练。（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别） 第二步：识别。首先，打开图像（256色）；再次，进行归一化处理，点击“一次性处理”；最后，点击“R”或者使用菜单找到相应项来进行识别。识别的结果显示在屏幕上，同时也输出到文件result.txt中。 该系统的识别率一般情况下为90％。 此外，也可以单独对打开的图片一步一步进行图像预处理工作，但要注意
Normal_encoding
- 虹膜识别图象归一化处理，把环形虹膜区域归一为一个统一的矩形图象，方便下一步特征提取和匹配。
succeed.rar
- 这是我自己写的对图像进行预处理的matlab源程序，主要是对图像进行光照补偿、旋转与尺度归一化。上传上来和大家一起学习、分享。,This is I wrote it myself pretreatment image matlab source, mainly for image illumination compensation, rotation and scale normalized. From up and study together, to share.
guiyihuachengxu
- 实现对图像的归一化处理，为图像进行水印嵌入等操作打下基础-The realization of the normalized image processing, for image watermark embedding operation, such as laying a foundation
15
- matlab 图像处理 显示两幅子图像的归一化互相关-matlab image processing show that two sub-image of normalized cross-correlation
FaceRecog_src100902
- 基于OpenCV的人脸识别演示程序。目前实现了Gabor+Fisherface算法，还有几何和光照归一化。 -->请到 http://code.google.com/p/facerecog/ 下载最新版本。<-- 功能：对摄像头拍摄的或用户指定的图像，检测其中人脸，然后在已存储的人脸库中找到最匹配的人脸并显示。 在VS 2008 SP1上编写，使用了OpenCV 2.0和MFC，通过消息处理函数与用户进行交互，利用多线程来实时显示图像。 数据处理分为了C
loacation_nornmalization_iris
- 采用最小均方差法对虹膜瞳孔定位，虹膜外圆定位，归一化及其增强处理，圆拟合-Using least-mean-variance method of positioning the iris pupil, iris outer location, normalized and enhanced handling, circle fitting
DigitalRecognitioncode
- 使用说明第一步：训练网络。使用训练样本进行训练。（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别） 第二步：识别。首先，打开图像（256色）；再次，进行归一化处理，点击“一次性处理”；最后，点击“R”或者使用菜单找到相应项来进行识别。识别的结果显示在屏幕上，同时也输出到文件result.txt中。 该系统的识别率一般情况下为90 。 此外，也可以单独对打开的图片一步一步进行图像预处理工作，但要注意，每一步工作只能执行一遍，而且要按顺序执行
pca2D
- 2DPCA用于人脸、步态等图像识别，可先按照行列比例将不规整图像归一化处理，然后进行训练，并且识别，全部中文注释和提示，便于学习和参考。-2DPCA human face, gait, such as image recognition, in accordance with the ranks of the ratio can not structured to deal with the normalized image, and then training, and recognition
guiyihua
- 这段程序的主要功能是完成图像的归一化处理。-The primary function of this process is to complete the image of normalized.
TermView
- 图片中的文字提取，包括图像二值化，图像归一化，图像大小压缩，图像细化等处理的C语言代码！有一定的注释，是不可多得的好资料，比较稀缺-Picture of text extraction, including image binarization, image normalization, image size compression, image thinning, such as the C language code to deal with! There are some notes, g
guiyihua
- 归一化相关算法 归一化 图形图像处理-Normalized correlation algorithm normalized Graphics and Image Processing
test
- 遥感图像真实反射率转换，可以将遥感图像的DN值，归一化处理为真实的反射率值(The conversion of true reflectance of remote sensing images.)
手指静脉图像预处理
- matlab下的手指静脉图像预处理：均衡化，膨胀，腐蚀，细化，手指边缘检测，截取roi区域，尺度归一化以及灰度归一化。(Finger vein image preprocessing under matlab: equalization, expansion, corrosion, thinning, finger edge detection, interception of ROI region, scale normalization and gray normalization.)