linux下，基于S3C2410开发板的家庭视频监控系统，基于OV511芯片摄像头，实现了软件方式的RGB图像编码，包括驱动，动态连接库，核心代码。采用B/S结构设计，
标签： linux
上传时间： 2013-12-27
上传用户：sclyutian
对智能天线的波达方向进行了仿真，可以得到比较精确的DOA图像
上传时间： 2014-01-01
上传用户：xhz1993
某智能手机开发公司imageeditor的开发源码，是利用qt进行图像编辑值得借鉴的好代码！
标签： imageeditor 智能手机 源码
上传时间： 2014-01-22
上传用户：2467478207
通过智能车上的CCD摄像头采集道路状况，图像处理得到道路参数，从而控制舵机转向，以及通过控制直流电机控制智能车速度，用于参加全国大学生智能汽车竞赛。
上传时间： 2017-05-03
上传用户：稀世之宝039
本文详细介绍了我们为首届全国智能车大赛而准备的智能车系统方案。该 系统以Freescale16 位单片机MC9S12DG128 作为系统控制处理器，采用基于的 摄像头的图像采样模块获取赛道图像信息，通过边缘检测方法提取赛道黑线， 求出小车与黑线间的位置偏差，采用PID 方式对舵机转向进行反馈控制。通过 自制的速度传感器实时获取小车速度，采用Bang-Bang 控制策略形成速度闭环 控制。小车还将通过特定算法分析出前方的路况，并根据路况的不同而为小车 分配以不同的速度。文中将介绍赛车机械结构和调整方法，赛车转向模块和驱 动模块的设计、参数和有关测试，图像采样模块的摄像头工作机制以及安装选 型、采样电路设计和采样策略，还将介绍自制的速度传感器的制作、安装方法 和对其可靠性所做的测试。我们将说明本系统的舵机转向策略、速度闭环控制 与速度分配策略。除智能车系统本身的介绍外，我们还将详细叙述该系统开发 过程中所用到的开发工具、软件以及各种调试、测试手段方法。
上传时间： 2014-01-23
上传用户：heart520beat
路径识别是体现智能车智能水平的一个重要标志，而传感器是智能车进行路径识别的关键检测元件。针对智能车在特殊路径与传感器数目限制的条件下的路径识别，提出了基于红外传感器的路径识别方案与基于图像传感器的路径识别方案，并对两种方案的应用性能进行了比较。通过将基于面阵图像传感器的路径识别方案应用于第一届“飞思卡尔”杯全国智能车竞赛并取得优异成绩，验证了该方案的可行性与有效性。
上传时间： 2017-05-14
上传用户：ruixue198909
编译源文件生成可执行文件TestLibjpeg.exe， 此程序可以转换bmp位图为jpg格式，或解压缩 jpg格式图像为bmp格式。 将需转换的bmp格式图片存到和TestLibjpeg.exe 相同的文件夹下，在DOS界面下使用命令行参数 bmp到jpeg的转换使用：TestLibjpeg.exe j 原图片名.bmp 目标图片名.jpg jpeg到bmp的转换使用：TestLibjpeg.exe b 原图片名.jpg 目标图片名.bmp
标签： TestLibjpeg exe 编译 可执行文件
上传时间： 2014-02-07
上传用户：chenjjer
第二届飞思卡尔智能车比赛东北大学猎豹队的程序清单，图像提取部分值得一看。
上传时间： 2014-11-21
上传用户：极客
I=imread('fig1.jpg');%从D盘名为myimages的文件夹中读取。格式为jpg的图像文件chost J=imnoise(I,'salt & pepper',0.02);%给图像加入均值为0，方差为0.02的淑盐噪声 subplot(2,4,1); imshow(I); title('原始图像'); subplot(2,4,2); imshow(J); title('加入椒盐噪声之后的图像'); %h=ones(3,3)/9; %产生3 × 3的全1数组 %B=conv2(J,h); %卷积运算 %采用MATLAB中的函数对噪声干扰的图像进行滤波 Q=wiener2(J,[3 3]); %对加噪图像进行二维自适应维纳滤波 P=filter2(fspecial('average',3),J)/255; %均值滤波模板尺寸为3 K1=medfilt2(J,[3 3]); %进行3 × 3模板的中值滤波 K2= medfilt2(J,[5 5]); %进行5 × 5模板的中值滤波 K3= medfilt2(J,[7 7]); %进行7 × 7模板的中值滤波 K4= medfilt2(J,[9 9]); %进行9 × 9模板的中值滤波 %显示滤波后的图像及标题 subplot(2,4,3); imshow(Q); title('3 × 3模板维纳滤波后的图像'); subplot(2,4,4); imshow(P); title('3 × 3模板均值滤波后的图像'); subplot(2,4,5); imshow(K1); title('3 × 3模板的中值滤波的图像'); subplot(2,4,6); imshow(K2); title('5 × 5模板的中值滤波的图像'); subplot(2,4, 7); imshow(K3); title('7 × 7模板的中值滤波的图像'); subplot(2,4,8); imshow(K4); title('9 × 9模板的中值滤波的图像');
上传时间： 2016-06-02
上传用户：wxcr_1
鱼眼镜头具有短焦距(f =6~16mm)、大视场的优点（视场角约为至），在虚拟实景、视频监控、智能交通、机器人导航等领域得到广泛的应用。但鱼眼镜头摄像机拍摄的图像具有非常严重的变形。如果要利用这些具有严重变形图像的投影信息，需要将这些变形的图像校正为符合人们视觉习惯的透视投影图像。 在鱼眼图像校正之前，需要把鱼眼图像的有效区域提取出来，它在整个校正过程中至关重要。针对几种常用的有效区域提取方法的不足，本文提出一种改进算法，实验结果表明该方法在保证精度的前提下兼顾了效率。鱼
上传时间： 2016-06-12
上传用户：halias
