为了提高图像的边缘检测性能,将蚁群算法引入图像边缘检测。
阐述了提取图像边缘特征的方法和蚁群算法的基本原理,提出了一种基于改进的蚁群算法的边缘检测方法。
将图像的形态学梯度值作为蚁群的信息激素强度值和启发信息值,使用最大类间方差法获得图像的边缘信息。
实验结果表明该算法能成功地提取边缘信息并抑制背景纹理细节,具有较好的检测效果。

运动目标检测在计算机视觉，图像处理，模式识别等多领域有着广泛的应用，经历了多年的研究和探索，针对运动目标检测的算法层出不穷，我们也积累了许多相关的算法。
但是我们还远没有完成对这个充满挑战的领域的探索。
本文对运动目标检测的技术进行了一定的研究，实现了基于canny算子和光流法相结合的运动目标检测方法。
为了能够准确把握这个行业的动态，本文首先介绍了运动目标检测的三大经典方法：背景相减法，帧差法，光流法。
同时比较了各自的优缺点。
帧差法具有易实现，计算量小的优点，但是却无法准确的检测出运动目标的完整轮廓。
光流法具有对不断运动的运动目标进行目标检测，但是它却有很大的计算量，同时对噪声也比较敏感。
为了可以对运动目标进行更好的识别，我们提出了边缘检测算子与光流法相结合的新方法。
在对多种边缘检测算子进行了了解之后，我们确定了利用canny算子进行边缘检测，并且结合光流法进行运动目标检测的方法。
在用canny算子检测出运动物体边缘之后，借助光流法计算出物体的运动场，同时结合最大类间方差法分辨出运动目标和背景，接着将物体的边缘信息和物体的运动信息进行融合，最后运用数学形态学的方法对结果进行处理，得到最终的运动目标。
通过实验，我们发现该方法既克服了帧差法不能准确检测出运动物体轮廓，和光流法抗噪声能力差的缺点，可以准确检测运动目标，对运动目标具有更好的检测效果

otsu.py定义了最大类间方差函数，test.py用于运行GAmodel，IGA为遗传算法策略的改进版本，make_video.py用于将每一代的结果制作成视频（如果将每个点家加上一个随机偏移，画出来的效果会更好哦，可以自己尝试）。
杭州电子科技大学模式识别课程代码。
这个积分有点麻烦，可以到我的github去下载：https://github.com/finepix/py_workspace/tree/master/genetic_algorithm

基于最大类间方差的分割算法，可在MATLAB上直接运行

一维Otsu，大津法（最大类间方差法）阈值分割。
Matlab2016a，同一原理推导的两种公式求解类间方差，数值计算原因导致结果有所差异。

二维Otsu，大津法（最大类间方差）阈值联系。
Matlab2016a使用3×3邻域平均灰度作为直方图第二维，二维Otsu运算功夫要比一维Otsu长。

Otsu，大津法（最大类间方差）阈值分割。
接纳分块思想，将一副图像的灰度图分成若干个子图像，对每个子图像进行Otsu阈值分割，再拼接。
Matlab2016a

写了一些关于图像写了一些关于图像最大类间方差阈值和遗传算法的例子，程序含有阐明解释，适合初学者。
例子，程序含有阐明解释，适合初学者。

最大类间方差法（OTSU）阈值分割的matlab完成

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。