对图像的一般处理：mean_image  binomial_filter消除噪声

抑制小斑点或细线用median_image

平滑图像用smooth_image

平滑图像且又保存边缘用anisotropic_diffusion

Halcon学习之一：查询图像参数

1、get_grayval ( Image : : Row, Column : Grayval )

   计算Image图像中坐标为（Row

转自：【by faruto】

http://www.matlabsky.com/thread-18521-1-1.html

视频的帖子地址：

http://player.youku.com/player.php/sid/XMjg0NzgxMDk2/v.swf

本讲视频相关帖子：
【1】如何使用libsvm进行分类

http://www.matlabsky.com/thread-12379-1-1.html
【2】利用libsvm-mat建立分类模型model参数解密

http://www.matlabsky.com/thread-12649-1-1.html
【3】Matlab中使用libsvm进行分类预测时的标签问题再次说明
http://www.matlabsky.com/thread-12396-1-1.html

【1】如何使用libsvm进行分类

这帖子就是初步教教刚接触lib

    关于SVM的那点破事[长期更新整理 by faruto]
    http://www.matlabsky.com/forum-viewthread-tid-10966-fromuid-18677.html

   所有视频地址：

    http://www.youku.com/playlist_show/id_6256088.html

《Learn SVM Step by Step 》系列视频——应用篇：Libsvm的下载、安装和使用 

   http://player.youku.com/player.php/sid/XMjc2NTY3MzYw/v.swf

    安装libsvm-mat是在MATLAB平台下使用libsvm的前提，如果没有安装好也就无法使用，在MATLAB平台下安装libsvm-mat一般有以下几个大步骤：

function successtiqu
%此方法适用于图像直方图呈双峰的简单情形

%线性变换  使图像数据的动态范围与方差变大，增加图像的可解译性，亮度范围可以扩展到任意范围(遥感图像处理不能超过0—255)。
global str;
I=imread(str);
% subplot(2,2,1),
%imshow(I);
%title('原始图像');

J=rgb2gray(I);
% figure;
% imhist(J);  
% title('灰度直方图');                    % 观察灰度直方图

% axis([50,250,50,200]);
%
% axis on;                  %显示坐标系

% I1=rgb2gray(I);

% subplot(2,2,2),imshow(I1);

% title('灰度图像');

% axis([50,250,50,200]);
%
% axis on;                  %显示坐标系

% J=imadjust(I,[0

添加目录的问题

addpath   ''

Matlab 启动出现 Warning: Name is nonexistent or not a directory 的解决办法

解决找不到目录的问题

一、染色体识别与统计

待处理的图像如下所示。图像有明显的噪音，部分染色体有断开和粘连的情况。

http://76.13.18.77/3068/2573028434_76ccda2baa.jpg

要识别其中的染色体并统计其数目，我们采用Matlab平台提供的一些图像处理函数。基本方法如下：

1、读取待处理的图像，将其转化为灰度图像，然后反白处理。

    以前由于对矩阵了解的不够，导致在学习PCA方法求解特征值和特征向量时遇到了麻烦，无法理解它的物理意义，后来通过重新学习书籍和孟岩的博文《理解矩阵》等，才对矩阵、向量的工程应用有了一点点理解。现记录一下：

    图像的运算过程中常常要将其转换成一个向量，可以理解一个图像是一个n维的向量，两个图像进行特征比对时就需要将n个数据进行比较，由于各数据在比对时作用不一样所以，如果统统进行运算无疑会做了一些无用功。如两个人进行比较，选择的比较参数为：身高、体重、年龄、学历。如果两个人年龄相同，则对年龄比较的运算就没有任何意义，所以要从中提取关键特征。而对于PCA降维就是起到这个作用，从n个特征中抽取能够充分体现样本区别的特征p个。

    两个向量的点积，等于一个向量在另一个向量上的投影长度，等于两个向量对应坐标分量之积的代数和。这件事情太奇妙了，即使很容易可以证明，我还是觉得很奇妙，怎么会有这样妙的性质呢？