Face Detection in Static Images Using MATLAB

该人脸识别小系统基于Fisher判别原理，采用MATLAB编写，具备友好的GUI接口。

This is a Harris corner detection program written in MATLAB. You can give it a try to detect keypoints in images based on the Harris corner detection method.

本代码使用定向梯度直方图（HOG）和支持向量机（SVM）来区分实际的人脸对象与非人脸对象，具体实现基于Matlab。代码位于名为code的目录中，必要的数据集存放在data目录中。该方法采用滑动窗口技术，在图像中逐步扫描并检测出可能存在的人脸区域。

MATLAB图像分割肿瘤代码，脑肿瘤检测与分类。此源代码根据患者的MRI扫描检测脑肿瘤区域，然后通过MATLAB进行的机器学习将其分为良性和恶性类型。 %Source Code clc %% Input [I,path]=uigetfile('.jpg;.png','select a input image'); str=strcat(path,I); s=imread(str); %% Filter num_iter = 10; delta_t = 1/7; kappa = 15; option = 2; disp('Preprocessing image please wait . . .'); inp = anisodiff(s,num_iter,delta_t,kappa,option); inp = uint8(inp); inp=imresize(inp,[256,256]); if size(inp,3)>1 inp=rgb2gray(inp);

边缘检测在图像处理中起着至关重要的作用。在本教程中，我们将展示如何使用OpenCV和MatLab在Lab色彩空间中实现边缘检测。具体步骤如下： 首先，将输入的RGB图像转换为Lab色彩空间。 在转换后的图像中，应用边缘检测算法，例如Canny边缘检测。 观察处理后的图像，分析边缘检测的效果。 通过此方法，Lab色彩空间的优势在于它更好地分离了色度和亮度信息，有助于提高边缘检测的准确性。 代码示例（OpenCV）： import cv2 import numpy as np # 读取图像 img = cv2.imread('image.jpg') # 转换为Lab色彩空间 lab = cv2.cvtColor(img, cv2.COLOR_BGR2Lab) # 提取亮度通道 l, a, b = cv2.split(lab) # 应用Canny边缘检测 edges = cv2.Canny(l, 100, 200) # 显示结果 cv2.imshow('Edges', edges) cv2.waitKey(0) cv2.destroyAllWindows() 此代码展示了如何使用OpenCV处理Lab色彩空间中的边缘检测。 MatLab代码示例： img = imread('image.jpg'); % 转换为Lab色彩空间 lab = rgb2lab(img); % 提取亮度通道 l = lab(:,:,1); % 应用Canny边缘检测 edges = edge(l, 'Canny'); % 显示结果 imshow(edges); 通过这些步骤，您可以在Lab色彩空间中准确地进行边缘检测，提升图像处理的质量。

输入：图像、要定位的斑点的半径、要定位的斑点数量。输出：在blob中心位置为1，否则为0的图像。此代码通过从图像和原型之间的峰值xcorr位置处的图像中顺序减去原型函数来运行。

图像的均方误差（MSE）的MATLAB代码分析NGSIM数据库：汽车跟随与换道 直接读入NGSIM的TXT文件（注意将RAR文件解压缩为TXT文件），使用importData，并将所有可能的变道路径提取为单个CSV文件，基于extractLaneChangeDataIntoCSV。 读入单个CSV（如LC1.CSV），分析是否为正常变道。符合正常变道条件的文件将存为oneLC.csv，正常变道规则包括： A. 仅一次变道，无多次变道 B. 变道点前后时间不超过5秒 C. 变道路径X距离变化大于3米 D. 变道路径起始点和结束点的平均数与方差要求，具体见findOneLCAndShow1中的代码。 基于LSTM识别LC（换道）或LK（保持车道），LSTM类别为序列到序列，文件为trainLSTM1。 将所有TXT数据文件一次性读入，并生成所有LC.csv文件。

This project implements the technique of color transfer between images as described in the paper by Erik Reinhard, Michael Ashikhmin, Bruce Gooch, and Peter Shirley. One of the most common tasks in image processing is changing the colors of an image. This article presents a more general color correction method, which borrows color characteristics from one image to apply to another. The algorithm follows these steps: RGB to ℓαβ color space conversion: The transformation of the RGB color space into the ℓαβ color space, where the ℓ axis represents the lightness channel, and the α and β channels represent the color-opponent yellow-blue and red-green channels, respectively. Statistical and color correction: First, the mean value is subtracted from each channel's data points. Then, the data points are scaled by factors determined by the standard deviation of each respective channel. Final conversion to RGB: The result is converted back into the RGB color space. The MATLAB code for this procedure is contained in the color_transfer_built.m file. In lines 3 and 4 of the file, the source and target variables are modified to change the source and target images for color transfer.

该存储库包含阴影检测算法的Python实现，使用LAB颜色空间进行阴影检测。实现参考了论文：Ashraful Huq Suny和Nasrin Hakim Mithila的研究《使用LAB色彩空间从单个图像中进行阴影检测和去除》，IJCSI 2013（链接）。 在该实现中，我们使用LAB颜色空间来检测航空影像中的阴影区域，并将其作为阴影地面真相图进行进一步分析。通过对LAB颜色空间的运用，能够有效地从图像中识别并去除阴影，提高图像处理的精度和质量。