图像复原课程设计

⑴ CCS 数字图像处理 图区图像求高手帮忙！！！！

图像处抄理，是对 图像进袭行分析、加工、和处理，使其满足视觉、心理以及其他要求的技术。图像处理是信号处理在图像域上的一个应用。目前大多数的图像是以数字形式存储，因而图像处理很多情况下指数字图像处理。此外，基于光学理论的处理方法依然占有重要的地位。

图像处理是信号处理的子类，另外与计算机科学、人工智能等领域也有密切的关系。

⑵ 基于MATLAB和数字图像处理的毕业设计课题选什么好

可以写写数字图像处理的那些方法，理论，还有数字图像处理采集系统的组成。数字图像处理/（美）冈萨雷斯；阮秋琦等译 图像工程/章毓晋编著 清华大学出版社

⑶ 网页设计与网站制作这门课程第二章PS图像处理与网页设计的知识点有哪些

网页设计与网站制作这门课第二章PS图像处理与网页设计的知识点包含章节导引,第一节网页设计基础,第二节PS核心工具,第三节PS图像处理技巧,第四节网页设计之电商广告设计。

⑷ 基于数字图像处理的印刷电路板智能检测方法

你这个复难度比较高啊，制主要涉及的是计算机软件和图像处理，更何况你还是机械类的，好像有些不搭边啊，。如果你想通过知道就完成这个题目那是不可能的，给你的一些建议：
1：至少要比较精通一门计算机语言和一种编译器
2：找些图像处理算法方面的书来看（至少要研究一阵子，了解一些原理）
3：使用OPENCV（开源的图像处理库，有你所需要的）
特别是第1条，如果具备还可以继续，不具备就是神仙也没办法啊。

⑸ 请问有计算机图形图像处理的论文吗

计算机图像处理论文计算机数据结构论文：
基于工作过程的计算机图形图像处理专业课程开发研究
摘要 课程建设是高职院校建设的永恒主题。本文根据我院计算机图形图像处理专业以项目工作任务为载体的课程单元开发、建立健全校企合作共创机制、进行系统化课程整体设计建设的基本过程，得出了校企合作共同开发基于工作过程的课程体系，有利于培养学生的基本素质、提高专业技能。
关键词 工作过程 计算机图形 图像处理 课程开发 校企合作 行动导向
1基于工作过程的课程开发目的
为进一步深化高职专业建设和课程改革、适应社会和职业发展的需要，进行基于工作过程的专业课程开发已成为高职教育探索和实践的重要任务。本文按照基于工作过程的课程开发理念和开发模式，根据企业调研确定职业岗位，分析典型的工作任务，融合国家职业资格技能（应知、应会）的标准要求，将实际的“工作”与“学习”有机地结合在一起，对高职计算机图形图像处理专业的课程进行了开发。
2计算机图形图像处理专业人才需求调研
探索符合职业教育要求与特色的高职计算机图形图像专业的人才培养规格，并建立与之相适应的教育教学体系，针对计算机图形图像专业人才面对社会、面对岗位需要及各岗位需要的知识、能力、素质、技能等，做了基本的调研。“计算机图形图像处理”专业的职业面向与专业培养目标的关系。
3课程体系构建流程
计算机图形图像处理是多媒体产业的主要手段。在我国，与多媒体信息相关的产业也在迅速发展，对具有高素质的多媒体专业技能的人才，特别是计算机图形图像处理专业人才需求量很大。经过市场调研和多次论证认为计算机图形图像专业基于工作过程的课程开发，按照行动导向来组织教学内容最为合适，以项目为载体组织教学内容，集知识和技能于一体，这样才具有针对性和实用性，避免教学冗余，突出技能培养。我们着手尝试校企合作共同开发基于工作过程项目教学的课程体系。
4课程设计理念
为了使计算机图形图像处理专业以社会职业岗位、企业技术领域所需的知识和技能为依据，以培养学生技术应用能力为主线，并按照“工学结合”的教学理念，我们大胆探索校企合作、培养人才的新模式，与地方优秀的公司及企业建立工学结合的人才培养方案。在教学中专业教师全程参与，在管理上学院全程监控质量、校企联合参与管理。教学的主体实施，资源共享、互惠互利，校企合作、联合办学的工学结合人才培养模式下的课程设计理念。
5基于工作过程的课程开发
根据各门课的要求，核心课程可以采用项目导向、任务驱动的教学模式。由于篇幅问题只给出“专业面向职业岗位的综合实训”课程体系。按照岗位群的工作任务分析，将工作任务分成三大专业技能模块课程（即：平面广告设计、室内装饰设计、网页设计），将各种技能操作等融于模块课程之中，使这些专业技能模块制定不同的项目、每一项任务为专业技能教学单元。每个项目始终贯穿了以教（由专业教师进行每个项目中工作任务的以行动为导向的理论教学）、学（由双师型教学团队和企业、公司的技术骨干共同参与的对每个工作任务应知、应会的实践教学）、做[学生在大量的时间中对每个项目的实践操作训练）、考（由教师与企业及公司的骨干按照制定的项目考核标准，对学生进行应知（理论）与应会（实践）考核来检验每一个项目的教学效果]合一的工学结合教学，再通过教师与学生的反馈评价等手段，来完成学生专业课程核心技能的培养。按照“教、学、做、考”四位一体的行动导向的教学模式，完成各项教学任务。只有通过学与用的结合才能使学生遇到问题，得到解决问题的能力，才能增强学生们学习理论的积极性。同时，让学生学会怎样用理论做指导，去解决实际问题的方法和技巧。通过专业技能素质教学，学生根据自己的学习兴趣、爱好，选好自己的就业方向、岗位，并在自己选定的某一工作岗位上再进行为期半年的顶岗强化训练，就能真正获得独立从事该工作的能力。岗位技能培养流程框图。
6结论
基于职业岗位分析构建课程体系，对其中的专业技术课程提出了明确的以项目、工作任务为载体的教学目标，由此涉及的是一线教师项目单元课程教学、指导实践、实训和考核标准等内容的重构和设计，这项工作任务艰巨，也是当前高职教育教学改革的重点与难点所在。按照职业岗位的要求开发出专业技能课程以项目、工作任务为载体的课程单元，才能使基于工作过程的课程开发得以顺利实施。在校企共建工学结合课程体系中，企业及公司的共同参与对课程开发与实施的质量有着深度的影响力。基于职业岗位群的分析构建课程体系，解决了高职教育课程体系开发中的课程与岗位的针对性，使得课程体系适宜工学结合培养高素质技能应用型人才。而此项工作的实施关键是校企合作的深度融合。只有企业及公司的参与和校企合作的深度融合，才能使基于职业岗位群构建的课程体系开发得以有效实施。所以在开发专业及课程中，我们认为：以项目工作任务为载体的课程单元开发是关键；建立健全校企合作共创机制是前提；进行系统化课程整体设计是基础；校企深度融合是保障。
参考文献
[1]施良方.课程理论[M].教育科学出版社,2005(3).
[2]姜大源.当代德国职业教育主流教学思想研究[M].清华大学出版社,2007(4).
[3]欧盟Asia-Link项目课题组编.职业教育与培训学习领域课程开发手册.北京.高等教育出版社,2007.
[4]赵永芝.创新教育的理论与实践探讨[J].河北职业技术学院学报,2004.

⑹ 图像处理matlab的课程设计 题目是空域和频域滤波

%1. 对图像lena.bmp叠加高斯噪声，椒盐噪声，乘性噪声，噪声方差为0.02，然后分别利用邻域平均法和中值滤波法对该图像进行滤波，显示滤波后的图像。
%要求窗口尺寸(先用3×3，再用5×5逐渐增大)可变，窗口类型（线性，十字形，方形）可选）
%领域平均法和中值滤波法是空间域的滤波的方法
clear all;
I=imread('lena.bmp');
J1=imnoise(I,'gaussian',0,0.02); %高斯噪声 均值0 方差为0.02
J2=imnoise(I,'salt & pepper',0.02); %椒盐噪声 均值0 方差为0.02
J3=imnoise(I,'speckle',0.02); %乘性噪声 均值0 方差为0.02
subplot(2,2,1),imshow(I),title('原始图像');
subplot(2,2,2),imshow(J1),title('高斯噪声');
subplot(2,2,3),imshow(J2),title('椒盐噪声');
subplot(2,2,4),imshow(J3),title('乘性噪声');

%中值滤波法
figure(2)
K1=medfilt2(J1,[3,3]); %3*3的滤波窗
subplot(3,2,1),imshow(K1,[]),title('对3*3加高斯噪声图像中值滤波');
K2=medfilt2(J1,[5,5]); %5*5的滤波窗口
subplot(3,2,2),imshow(K2,[]),title('对5*5加高斯噪声图像中值滤波');

K2=medfilt2(J2,[3,3]); %3*3的滤波窗
subplot(3,2,3),imshow(K2,[]),title('对3*3加椒盐噪声图像中值滤波');
K2=medfilt2(J2,[5,5]); %5*5的滤波窗口
subplot(3,2,4),imshow(K2,[]),title('对5*5加椒盐噪声图像中值滤波');

K3=medfilt2(J3,[3,3]); %3*3的滤波窗
subplot(3,2,5),imshow(K3,[]),title('对3*3加乘性噪声图像中值滤波');
K2=medfilt2(J3,[5,5]); %5*5的滤波窗口
subplot(3,2,6),imshow(K3,[]),title('对5*5加乘性噪声图像中值滤波');

%领域平均法
figure(3)

L1=filter2(fspecial('average',3),J1);% 3*3模板平滑均值滤波
L2=filter2(fspecial('average',5),J1);%5×5模板平滑均值滤波
subplot(3,2,1),imshow(L1,[]),title('对3*3加高斯噪声图像平滑滤波');
subplot(3,2,2),imshow(L2,[]),title('对5*5加高斯噪声图像平滑滤波');

L3=filter2(fspecial('average',3),J2);% 3*3模板平滑均值滤波
L4=filter2(fspecial('average',5),J2);%5×5模板平滑均值滤波
subplot(3,2,3),imshow(L3,[]),title('对3*3加椒盐噪声图像平滑滤波');
subplot(3,2,4),imshow(L4,[]),title('对5*5加椒盐噪声图像平滑滤波');

L5=filter2(fspecial('average',3),J3);% 3*3模板平滑均值滤波
L6=filter2(fspecial('average',5),J3);%5×5模板平滑均值滤波
subplot(3,2,5),imshow(L5,[]),title('对3*3加乘性噪声图像平滑滤波');
subplot(3,2,6),imshow(L6,[]),title('对5*5加乘性噪声图像平滑滤波');

%领域平均法是指用某点领域的灰度值平均值来代替该点的灰度值，算法简单，处理速度快，但是在衰减噪声的同时也会使图像产生模糊。
%中值滤波法对椒盐噪声的抑制很好，但是不太适合点，线，尖顶等细节较多的图像

⑺ 各位大侠，，最近在做图像处理的课设，。题目：用opencv函数从静态图片中检测出是否有人，

下面这段代码可以实现对图像或者视频的人脸检测，你可以参考一下：
#include "cv.h"
#include "highgui.h"

#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <assert.h>
#include <math.h>
#include <float.h>
#include <limits.h>
#include <time.h>
#include <ctype.h>

#ifdef _EiC
#define WIN32
#endif

static CvMemStorage* storage = 0;
static CvHaarClassifierCascade* cascade = 0;

void detect_and_draw( IplImage* image );

const char* cascade_name =
"haarcascade_frontalface_alt.xml";
/* "haarcascade_profileface.xml";*/

int main( int argc, char** argv )
{
CvCapture* capture = 0;
IplImage *frame, *frame_ = 0;
int optlen = strlen("--cascade=");
const char* input_name;

if( argc > 1 && strncmp( argv[1], "--cascade=", optlen ) == 0 )
{
cascade_name = argv[1] + optlen;
input_name = argc > 2 ? argv[2] : 0;
}
else
{
cascade_name = "../../data/haarcascades/haarcascade_frontalface_alt2.xml";
//opencv装好后haarcascade_frontalface_alt2.xml的路径,
//也可以把这个文件拷到你的工程文件夹下然后不用写路径名cascade_name= "haarcascade_frontalface_alt2.xml";
//或者cascade_name ="C:\\Program Files\\OpenCV\\data\\haarcascades\\haarcascade_frontalface_alt2.xml"
input_name = argc > 1 ? argv[1] : 0;
}

cascade = (CvHaarClassifierCascade*)cvLoad( cascade_name, 0, 0, 0 );

if( !cascade )
{
fprintf( stderr, "ERROR: Could not load classifier cascade\n" );
fprintf( stderr,
"Usage: facedetect --cascade=\"<cascade_path>\" [filename|camera_index]\n" );
return -1;
}
storage = cvCreateMemStorage(0);

if( !input_name || (isdigit(input_name[0]) && input_name[1] == '\0') )
capture = cvCaptureFromCAM( !input_name ? 0 : input_name[0] - '0' );
else
capture = cvCaptureFromAVI( input_name );

cvNamedWindow( "result", 1 );

if( capture )
{
for(;;)
{
if( !cvGrabFrame( capture ))
break;
frame = cvRetrieveFrame( capture );
if( !frame )
break;
if( !frame_ )
frame_ = cvCreateImage( cvSize(frame->width,frame->height),
IPL_DEPTH_8U, frame->nChannels );
if( frame->origin == IPL_ORIGIN_TL )
cvCopy( frame, frame_, 0 );
else
cvFlip( frame, frame_, 0 );

detect_and_draw( frame_ );

if( cvWaitKey( 10 ) >= 0 )
break;
}

cvReleaseImage( &frame_ );
cvReleaseCapture( &capture );
}
else
{
const char* filename = input_name ? input_name : (char*)"lena.jpg";
IplImage* image = cvLoadImage( filename, 1 );

if( image )
{
detect_and_draw( image );
cvWaitKey(0);
cvReleaseImage( &image );
}
else
{
/* assume it is a text file containing the
list of the image filenames to be processed - one per line */
FILE* f = fopen( filename, "rt" );
if( f )
{
char buf[1000+1];
while( fgets( buf, 1000, f ) )
{
int len = (int)strlen(buf);
while( len > 0 && isspace(buf[len-1]) )
len--;
buf[len] = '\0';
image = cvLoadImage( buf, 1 );
if( image )
{
detect_and_draw( image );
cvWaitKey(0);
cvReleaseImage( &image );
}
}
fclose(f);
}
}

}

cvDestroyWindow("result");

return 0;
}

void detect_and_draw( IplImage* img )
{
static CvScalar colors[] =
{
{{0,0,255}},
{{0,128,255}},
{{0,255,255}},
{{0,255,0}},
{{255,128,0}},
{{255,255,0}},
{{255,0,0}},
{{255,0,255}}
};

double scale = 1.3;
IplImage* gray = cvCreateImage( cvSize(img->width,img->height), 8, 1 );
IplImage* small_img = cvCreateImage( cvSize( cvRound (img->width/scale),
cvRound (img->height/scale)),
8, 1 );
int i;

cvCvtColor( img, gray, CV_BGR2GRAY );
cvResize( gray, small_img, CV_INTER_LINEAR );
cvEqualizeHist( small_img, small_img );
cvClearMemStorage( storage );

if( cascade )
{
double t = (double)cvGetTickCount();
CvSeq* faces = cvHaarDetectObjects( small_img, cascade, storage,
1.1, 2, 0/*CV_HAAR_DO_CANNY_PRUNING*/,
cvSize(30, 30) );
t = (double)cvGetTickCount() - t;
printf( "detection time = %gms\n", t/((double)cvGetTickFrequency()*1000.) );
for( i = 0; i < (faces ? faces->total : 0); i++ )
{
CvRect* r = (CvRect*)cvGetSeqElem( faces, i );
CvPoint center;
int radius;
center.x = cvRound((r->x + r->width*0.5)*scale);
center.y = cvRound((r->y + r->height*0.5)*scale);
radius = cvRound((r->width + r->height)*0.25*scale);
cvCircle( img, center, radius, colors[i%8], 3, 8, 0 );
}
}

cvShowImage( "result", img );
cvReleaseImage( &gray );
cvReleaseImage( &small_img );
}