本书针的读者是高校学生，科研工作者，图像处理爱好者。
对于这些人群，他们往往是带着具体的问题，在苦苦寻找解决方案。
为了一个小问题就让他们去学习C++这么深奥的语言几乎是不可能的。
而Python的悄然兴起给他们带来的希望，如果说C++是tex的话，那Python的易用性相当于word。
他们可以很快的看懂本书的所有代码，并可以学着使用它们来解决自己的问题，同时也能拓展自己的视野。
别人经常说Python不够快，但是对于上面的这些读者，我相信这不是问题，现在我们日常使用的PC机已经无比强大了，而且绝大多数情况下不会用到实时处理，更不会在嵌入式设备上使用。
因此这不是问题。
本书目录：目录I走进OpenCV101关于OpenCV-Python教程102在Windows上安装OpenCV-Python113在Fedora上安装OpenCV-Python12IIOpenCV中的Gui特性134图片134.1读入图像4.2显示图像4.3保存图像4.4总结一下5视频5.1用摄像头捕获视频5.2从文件中播放视频5.3保存视频6OpenCV中的绘图函数6.1画线6.2画矩形6.3画圆6.4画椭圆6.5画多边形6.6在图片上添加文字7把鼠标当画笔7.1简单演示7.2高级一点的示例8用滑动条做调色板8.1代码示例III核心操作9图像的基础操作9.1获取并修改像素值9.2获取图像属性9.3图像ROI9.4拆分及合并图像通道9.5为图像扩边（填充）10图像上的算术运算10.1图像加法10.2图像混合10.3按位运算11程序性能检测及优化11.1使用OpenCV检测程序效率11.2OpenCV中的默认优化11.3在IPython中检测程序效率11.4更多IPython的魔法命令11.5效率优化技术12OpenCV中的数学工具IVOpenCV中的图像处理13颜色空间转换5413.1转换颜色空间13.2物体跟踪13.3怎样找到要跟踪对象的HSV值？14几何变换14.1扩展缩放14.2平移14.3旋转14.4仿射变换14.5透视变换15图像阈值15.1简单阈值15.2自适应阈值15.3Otsu’s二值化15.4Otsu’s二值化是如何工作的？16图像平滑16.1平均16.2高斯模糊16.3中值模糊16.4双边滤波17形态学转换17.1腐蚀17.2膨胀17.3开运算17.4闭运算17.5形态学梯度17.6礼帽17.7黑帽17.8形态学操作之间的关系18图像梯度18.1Sobel算子和Scharr算子8718.2Laplacian算子19Canny边缘检测19.1原理19.1.1噪声去除19.1.2计算图像梯度19.1.3非极大值抑制19.1.4滞后阈值19.2OpenCV中的Canny边界检测20图像金字塔9420.1原理21OpenCV中的轮廓22直方图23图像变换24模板匹配25Hough直线变换26Hough圆环变换27分水岭算法图像分割28使用GrabCut算法进行交互式前景提取29理解图像特征30Harris角点检测31Shi-Tomasi角点检测&适合于跟踪的图像特征32介绍SIFT(Scale-InvariantFeatureTransform)33介绍SURF(Speeded-UpRobustFeatures)34角点检测的FAST算法35BRIEF(BinaryRobustIndependentElementaryFeatures)36.1OpenCV中的ORB算法37特征匹配38使用特征匹配和单应性查找对象39Meanshift和Camshift40.3OpenCV中的Lucas-Kanade光流41背景减除23841.1基础42摄像机标定43姿势估计44对极几何（EpipolarGeometry）45立体图像中的深度地图25945.1基础46K近邻（k-NearestNeighbour）47支持向量机48K值聚类49图像去噪50图像修补51使用Haar分类器进行面部检测

matlab实现的基于颜色直方图的特征匹配，RGB转换成hsv，量化颜色，计算两幅图像特征向量之间的距离，实现颜色特征匹配。
同时，二值化之后，计算zernike矩和hu不变矩，可以作为第二个特征匹配量。

matlab实现的SIFT特征提取的全代码，可运行可测试很不错的sift原代码

基于SIFT特征的全景图像拼接(Qt)主要分为以下几个步骤：(1)读入两张图片并分别提取SIFT特征(2)利用k-dtree和BBF算法进行特征匹配查找(3)利用RANSAC算法筛选匹配点并计算变换矩阵(3)图像融合运行前请自己在pro文件中配置OpenCV的头文件和lib文件目录详情查看博客：http://blog.csdn.net/masikkk/article/details/9246493

1vc6.0编写2读写2张bmp图片，并且可以进行模板匹配3使用到的算法有MAD算法，NCC算法，快速匹配算法，特征匹配算法4仅用于学习

在日志管理系统的设计和实现中首先分析了日志管理系统实现的常用技术，还详细分析了日志格式一Windows操作系统事件日志、UNIX系统日志和通用防火墙日志。
系统通过采集、筛选分析法、特征匹配分析法、统计网络设备日志数据，并提供Web应用向用户提供关于网络设备的运行状态和安全事件的统计报表，为网络安全和网络管理提供有效数据。
整个日志管理系统由日志收集模块、日志分析模块、日志存储模块、报表生成模块和前台Web应用程序几个模块构成，满足了日志管理和监控的功能，为网络安全管理奠定了基础

实现了opencv下的orb算法和sift算法、surf算法，下载后可直接使用

本文将介绍一种基于深度学习和稀疏表达的人脸识别算法。
首先，利用深度学习框架(VGGFace)提取人脸特征；
其次，利用PCA对提取的特征进行降维；
最后，利用稀疏表达分类实现特征匹配。
我采用CMC曲线评价在AR数据库上的识别性能。
最后我还提供了整个过程的code。

基于SURF特征检测程序可以在VC6.0下直接运行，对特征匹配的需求的同学有一定的帮助

特征检测与匹配的目标是识别一个图像中的关键点与另一个图像中的对应点之间的配对。
在此实验中，你将编写代码以检测图像中的特征点（对于平移、旋转和照明具有一定的不变性），并在另一个图像中找到最佳匹配特征。
为了帮你可视化结果并调试程序，我们提供了一个用户界面，可以显示检测到的特征和最佳匹配。
我们还提供了一个示例ORB特征检测器，用于结果比较。
该实验有三个部分：特征检测、特征描述和特征匹配。
您所需要实现的所有代码都在features.py中。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。