搜索资源列表
Digital-Image-Processing
- 利用数字图像处理(matlab第二版)中已学过的知识，进行各种图像加噪，去噪处理，复原，增强，以及彩色图像分割处理，-The use of digital image processing (matlab second edition) has been learned in the knowledge, a variety of image noise, denoising, restoration, enhancement, and color image segmentation,
Color-recognition-of-traffic-signs
- 导入一幅含有交通标志的图像，可以对该图像添加高斯、椒盐等噪声并进行中值滤波、维纳滤波、小波去噪等，最终目的可以实现对图像的RGB、HSV以及SVF的颜色分割。-Importing a traffic sign containing the image, you can add a Gaussian, salt and pepper and other noise on the image and median filtering, Wiener filtering, wavelet de-noi
License-plate-recognition
- 载入数字车牌，智能识别，检测返回识别的数字，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。 “256色位图转为灰度图”－“灰度图二值化”－“去噪”－“倾斜校正”－“分割”－“标准化尺寸”－“紧缩重排”。采用神经网络进行训练识别，识别率达到90 -Loading digital license plate, identification, detection returns the identification number, is
nuikie
- 采用了小波去噪的思想，借鉴了主成分分析算法（PCA），粒子图像分割及匹配均为自行编制的子例程。- Using wavelet denoising thought, It draws on principal component analysis algorithm (PCA), Particle image segmentation and matching subroutines themselves are prepared.
PCANoiseLevelEstimator
- 盲噪声估计出现在许多图像处理应用的问题，如去噪、COM压缩、分割。在本文中，我们提出了一种新的噪声电平估计方法的基础上的主成分分析的图像块。我们表明，噪声方差可以估计为图像块协方差矩阵的最小特征值。与现有的13种方法相比，所提出的方法显示了良好的速度和精度之间的妥协。这是至少15倍的速度比类似的精度的方法，它是至少两倍的精度比其他方法。我们的方法不假定存在均匀区域的输入图像，因此，可以成功地处理图像只包含纹理。-The problem of blind noise level estimatio
lan-V8.1
- sar图像去噪的几种新的方法，中介真值程度度量，基于中介真值程度度量的图像分割有详细的注释。- Several new methods sar image denoising, The true extent of the value of the intermediary measure, measure the true extent of the agency based on the value of image segmentation There are detailed notes
center of laser spot-1
- 对图片应用利用max，min等函数求阈值分割点，最后转化为二值化图像，去噪后利用中值滤波处理再除噪，找出光斑中心位置和半径。(After binaryzation of the image processing, and then remove noise, find the center of the spot and radius)
k-means
- 增加椒盐噪声对图像进行去噪处理后，实现图像分割(Adding salt and pepper noise to image denoising,realization of image segmentation)
Python_VLPR-master
- 基于树莓派B+版本的车牌识别设计，辨识部分以树莓派3B+/3B为核心处理器，基于Linux平台，通过python3.5和OpenCV来对含有车牌信息的图片，进行高斯去噪、灰度化、边缘检测、二值化、闭操作、字符分割、字符识别匹配等一系列图像处理操作最终实现车牌识别这个系统。(Based on the design of license plate recognition of raspberry pie B+version, the recognition part takes raspberry
carplate
- 首先对车牌识别系统的现状和已有的技术进行深入的研究，然后开发出一个基于 Python 的车牌识别系统，文中先对车辆图像进行高斯去噪、灰度化和边缘检测等预处理方法，然后用颜色特征和形态特征相结合的方法来确定车牌位置，用彩色分割法来完成车牌分割，最后，运用 SVM 分类训练器完成字符识别并使用Python 软件环境进行车牌识别的仿真实验。(License plate recognition based on SVM)