计算机视觉相关学习项目（下）——附MATLAB源代码_vision.opticalflow

二十二、基于K-means聚类算法的图像分割

【系统介绍】以聚类算法进行图像分割就是将图像空间中的像素点用对应的特征向量表示，根据它们在特征空间的特征相似性对特征空间进行分割，然后将其映射回原图像空间，得到分割结果。

采用K-means进行图像分割，会将图像的每个像素点的灰度或者RGB作为样本（特征向量），因此整个图像就构成了一个样本集合（特征向量空间），从而把图像分割任务转换为对数据集合的聚类任务。然后，在此特征空间中运用K-means聚类算法进行图像区域分割，最后抽取图像区域的特征。

【代码下载】

链接：https://pan.baidu.com/s/1OxVXuWvx-avXynB7HpFXkg
提取码：yf2i

二十三、基于光流场的车流量计数应用

【系统介绍】该系统基于Computer Vision System Toolbox，使用光流场算法对交通视频中汽车的运动状态进行检测和估计。程序首先调用vision.OpticalFlow计算交通视频中的光流场；其次对光流场幅值进行阈值分割得到二值图，在光流场幅值大的位置说明有车流量；接着使用形态学滤波、腐蚀和关闭对分割的图像进行处理；然后继续调用vision.BlobAnalysis统计汽车对象的位置及面积等；最后通过面积比例判断是否是汽车，面积比太小则可能是噪声等其他杂物。

【代码下载】

链接：https://pan.baidu.com/s/1Udta8taxJha8XgTtOhRy5Q
提取码：5jys

二十四、路面裂缝检测系统设计

【系统介绍】该系统采用比较通用的图像处理技术对路面裂缝图像进行处理，通过预处理、目标检测、特征提取、目标识别、特征保存等一系列步骤完成了对裂缝目标的检测和识别，通过存储结果到xls表格可以方便地调取、显示中间结果，并通过设计GUI进行软件功能模块的集成开发与演示。该系统可以方便的拓展到诸如墙面裂缝、钢板裂缝等其他目标检测识别系统的设计和开发中，具有一定的通用性。

【代码下载】

链接：https://pan.baidu.com/s/1pnoVb-SzJnarwOxI9G3atQ
提取码：eki3

二十五、基于小波变换的数字水印技术

【系统介绍】小波数字水印技术首先对图像进行小波变换，并对水印信息进行预处理，然后将处理后的水印通过一定的算法嵌入选定的小波系数中，最后对含有水印的小波系数进行小波逆变换得到含有水印的数字图像。检验和提取的过程正好是以上过程的逆变换。

【代码下载】

链接：https://pan.baidu.com/s/1f6gdQlrT0GjQs9M7GC5JoQ
提取码：ywb1

二十六、基于最小误差法的胸片分割技术

【系统介绍】该系统采用区域选择定位胃部的空气区域，并采用最小误差法阈值分割进行图像二值化来实验，选择形态学后处理去噪的方式保证对目标区域的有效分割。该系统还采用GUI设计软件并通过按钮关联不同的操作步骤，通过显示处理前后的图像来达到肺部区域的分割效果。

【代码下载】

链接：https://pan.baidu.com/s/11fgE_g2N6piGxRNt048RFw
提取码：c7or

二十七、基于区域生长的肝脏影像分割系统

【系统介绍】该系统采用了基于阈值预分割的区域生长法对肝脏影像进行分割实验。该算法在区域生长前后均加入了一定的处理，即通过阈值预分割提取大致区域并定位种子点，通过形态学后处理去除孔洞和噪声干扰，这在一定程度上减少了人工选择种子点的操作，也提高了分割的准确度。

【代码下载】

链接：https://pan.baidu.com/s/1Vx6fMGhk5JhTrQ_rq2WOHw
提取码：lqpa

二十八、基于计算机视觉的自动驾驶应用

【系统介绍】该系统对MATLAB提供的自动驾驶工具箱进行实验解析，程序调用了Automated Driving System Toolbox的相关函数，因此必须在MATLAB r2017a及以上版本中才能运行。

【代码下载】

链接：https://pan.baidu.com/s/1OiEOawQzkIsrtraOU5d9jA
提取码：cl9o

二十九、基于深度学习的汽车目标检测

【系统介绍】该系统使用已标记的小汽车样本训练数据RCNN得到检测器模型，并采用检测样本对训练好的检测器模型进行准确率评测，实现汽车目标检测的效果。

【代码下载】

链接：https://pan.baidu.com/s/1Bk9EH89O3tAR4e7-B8JO7w
提取码：ynhv

三十、基于深度学习的视觉场景识别

【系统介绍】该系统选择经典的Corel图像库，基于著名的matconvnet工具箱进行深度学习实验，包括工具箱的配置、训练集制作、模型设计、训练和识别验证等过程，可应用于视觉场景分类识别。

【代码下载】

链接：https://pan.baidu.com/s/1S2yPXn_pQgu69BGg4RDWag
提取码：rozy

三十一、基于深度学习的以图搜图技术

【系统介绍】该系统通过对样本图像经AlexNet、GoogleNet进行深度特征的提取，结合预先距离进行相似度判断，实现了以图搜图应用。

【代码下载】

链接：https://pan.baidu.com/s/1OnSGlmFhX5lZU3qO_td9Aw
提取码：rqiw

三十二、基于YOLO的交通目标检测技术

【系统介绍】Yolo是当前流行的目标检测框架之一，通过简单的进行图像标记和网格配置就可以训练出Yolo模型。该系统选择经典的交通目标检测应用，通过训练车辆目标、交通标志目标来得到Yolo模型并进行评测。

该系统的实现主要包括车辆目标的YOLO检测和交通标志的YOLO检测。车辆目标的YOLO检测过程和交通标志的YOLO检测的过程类似，所以下面详细介绍一下车辆目标的YOLO检测过程。

车辆数据集

车辆数据集选择了MATLAB提供的vehicleDataset数据集进行训练和测试，该测试集文件夹附在下面的压缩包中。
交通标志数据集选择MATLAB提供的stopSignsAndCars数据集进行训练和测试，该测试集文件夹同样附在下面的压缩包中。

1. 目标标注信息：通过读取vehicleDatasetGroundTruth.mat来获取数据集的标注信息。其中，数据集以Table数据格式来存储图片的文件路径、目标矩形框信息。
2. 数据分配：该系统选择80%的数据进行训练，选择20%的数据进行测试。使用rand函数对已有的数据集进行随机排序。

Yolo v2ResNet50-Car网络设计

该系统选择基于ResNet50的 Yolo v2网络，通过yolov2Layers对ResNet50网络进行修改，得到匹配汽车目标检测的网络结构。

Yolo v2ResNet50-Car网络训练

该系统设置训练100步，运行耗时较长，主要与实际的硬件配置有关。

Yolo v2ResNet50-Car网络评测

利用训练得到的汽车目标检测器对测试集进行遍历读取和目标检测，并与实际的目标位置进行比较，计算召回率和准确率。

【代码下载】

链接：https://pan.baidu.com/s/1luywiKbp7VJRmSUoPTyEbw
提取码：uuq3