这是一种图像视觉显著性提取方法，对应文献S.Goferman,L.Zelnik-Manor,andA.Tal,“Context-awaresaliencydetection,”inIEEECVPR,2010,pp.2376–2383.该文献中的模型同时考虑了图像的局部特征和全局特征，克服了显著区域范围是固定模型以及区域只考虑到前景图像，忽视含有信息量的背景信息的做法，能提取出显著区域轮廓，利于后续处理，但是需要计算图像中每个像素点相当于局部区域的显著性，计算量较大。

合成孔径视觉测距是多目视觉测量与单目视觉测量相结合的产物。
合成孔径聚焦测距方法是一种通用的图像视觉方法，对光照、色彩、纹理等变化稳定性好，能实时处理，适用于复杂的交通管理工程，为车辆自动驾驶找到了一种新导航方法。
利用小孔成像模型摄像机共面阵列获取图像序列，根据图像序列获取各距离段所对应的桶型失真和像差校正叠加图像，计算基准图像中每个像素的邻域与每一幅校正叠加图像中相应区域的相似测度，并选取相似测度随像差校正叠加图像变化的范围大于一预设阈值的像素作为可测距像素，相似度最大的校正叠加图像所对应的距离段即为该可测距像素对应目标点所处的距离段。
实测数据表明该测距方法具有鲁棒性好，算法简单的优点。

针对群体情绪识别准确率的问题，结合卷积神经网络（CNN）与长短期记忆网络（LSTM），提出一种多流CNN-LSTM网络模型学习群体情绪的静态和动态特征。
以视频序列的原始图像、视觉显著图形和叠加的光流图像分别作为三个通道的输入，利用CNN网络对空间特征和局部运动特征进行分析，得到的特征图直接输入LSTM网络，进行全局运动特征的学习。
最后连接Softmax分类器，对三个通道的Softmax输出进行加权融合，得到分类结果。
实验结果表明，模型可有效地识别四种典型的群体情绪，且识别率高于已有算法，准确度（ACC）和宏平均精度（MAP）分别最高可达82.6%、84.1%。

随着红外技术日新月异的发展，红外技术在军事及人们日常生活中有着越来越广泛的应用。
但由于红外探照灯及红外探测器件的限制，红外成像系统的成像效果仍然不够理想。
在民用监测应用中，次要表现为夜视距离近，图像背景与被监测目标之间对比度模糊，被监测目标细节难以辨认，图像特征信息不明确等方面。
为使图像更适于人眼观测、适用于图像后续目标识别及跟踪处理，有必要在红外图像采集和处理上做进一步的研究，来增强红外图像视觉效果。

一种基于行列像素置乱和logistic混沌序列扩散的彩色图像视觉安全算法。
加密部分首先通过对明文图像的像素进行行列置乱，然后对置乱后的图像进行R、G、B分解，之后利用混沌序列扩散对分解得到的三分量进行加密，最初分别嵌入经过离散小波变换的载体图像R、G、B分层中，从而获得视觉安全的载密图像。
解密部分首先对载密图像进行R、G、B分解，然后对R、G、B三分量分别进行离散小波变换，之后从经过离散小波变换的三分量中提取载密三分量，对载密三分量进行异或操作并合成，最初把合成后的图像执行行列像素的反置乱得到明文图像。

如果采用C#和Halcon混合编程做图像视觉，这是一个不可多得的可供直接拿来使用的源代码，写的非常好。
如果你是刚入门的，那么就耐心的去读每一行代码，直到把它搞清楚，置信你最终一定得益匪浅。

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。