IDL写的高通滤波、低通滤波、方向检测、拉普拉斯算子滤波

VS2010使用C#基于Moravec算子提取特征点的详细代码

利用Hough变换完成直线检测，网上的huogh检测程序总是出错，我的这个程序已经调试通过，放心下载.直线检测的流程是：输入灰度图像，接下来是二值化处理变成黑白图像，然后通过Canny边缘检测算子获取边缘，最后利用霍夫变换检测直线，并绘制在原灰度图上面。

使用MATLAB实现的Canny边缘算子检测

直方图、各种算子、加噪处理、滤波、几何变换

遗传算法（GeneticAlgorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专著《AdaptationinNaturalandArtificialSystems》，GA这个名称才逐渐为人所知，J.Holland教授所提出的GA通常为简单遗传算法（SGA）。
　　遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。
每个个体实际上是染色体(chromosome)带有特征的实体。
染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。
因此，在一开始需要实现从表现型到基因型的映射即编码工作。
由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（geneticoperators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。
这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。

在2005年CVPR上，来自法国的研究人员NavneetDalal和BillTriggs提出利用Hog进行特征提取，利用线性SVM作为分类器，从而实现行人检测。
而这两位也通过大量的测试发现，HOG+SVM是速度和效果综合平衡性能较好的一种行人检测方法。
后来，虽然很多研究人员也提出了很多改进的行人检测算法，但基本都以该算法为基础框架。
因此，HOG+SVM也成为一个里程表式的算法被写入到OpenCV中。
在OpenCV2.0之后的版本，都有HOG特征描述算子的API，而至于SVM，早在OpenCV1.0版本就已经集成进去

1：MUSIC算法MATLAB程序 2：ESPRIT算法MATLAB程序3：Root-MUSIC算法MATLAB程序 4：面阵中二维角度估计Unitary-ESPRIT算法MATLAB程序 5：空间平滑MUSIC算法的MATLAB程序6：角度和时延联合估计（JADE）算法MATLAB程序7：传播算子DOA估计算法MATLAB程序8：基于增广矩阵束的L型阵列的二维DOA估计MATLAB程序

对模糊集的简介。
包括模糊集的基本概念（隶属函数、隶属度）、表示方法（序偶、向量及Zadeh表示法）、典型隶属度函数（三角形、梯形、高斯等）、基本运算（包含、并、交、补、t-膜或三角模、s-模或t-余模）、模糊集扩展（二型、区间值、直觉、格值、软集、flou集等模糊集）、分解定理和表现定理（λ截集、凸模糊集）、模糊蕴涵算子及案例分析

特征点检测与匹配，采用freak算子，是一个简单的应用

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。