MatlabTest

可自选输入和参数的中值/均值/拉伸滤波，各项参数说明详见.m文件注释(Median/Average/Linear Stretch Filter)

实现基于卡尔曼滤波器的多目标跟踪，可进行相关了解与研究(object tracking based on kalman)

序列图像中运动小目标检测跟踪，实用性很强，张天序教授的硕士生撰写的学位论文(Image sequences small moving target detection and tracking, very practical, Professor Zhang Tianxu of graduate students writing dissertations)

说明：  该算法的功能是实现时频分析中多种分析方法后续处理中的图像压缩功能，进一步提高图像的时频分辨率(The function of the algorithm is to realize the image compression function in the subsequent processing of various analysis methods in time-frequency analysis, and further improve the time-frequency resolution of the image)

说明：  ORB-SLAM 基本延续了 PTAM 的算法框架,但对框架中的大部分组件都做了改进, 归纳起来主要有 4 点: ORB-SLAM 选用了 ORB 特征, 基于 ORB 描述量的特征匹配和重定位, 都比 PTAM 具有更好的视角不变性。此外, 新增三维点的特征匹配效率更高, 因此能更及时地扩展场景。扩展场景及时与否决定了后续帧是否能稳定跟踪。ORBSLAM 加入了循环回路的检测和闭合机制, 以消除误差累积。系统采用与重定位相同的方法来检测回路(匹配回路两侧关键帧上的公共点), 通过方位图 (Pose Graph) 优化来闭合回路。PTAM 需要用户指定 2 帧来初始化系统, 2 帧间既要有足够的公共点, 又要有足够的平移量. 平移运动为这些公共点提供视差 (Parallax) , 只有足够的视差才能三角化出精确的三维位置。ORB-SLAM 通过检测视差来自动选择初始化的 2 帧。PTAM 扩展场景时也要求新加入的关键帧提供足够的视差, 导致场景往往难以扩展. ORB-SLAM 采用一种更鲁棒的关键帧和三维点的选择机制——先用宽松的判断条件尽可能及时地加入新的关键帧和三维点, 以保证后续帧的鲁棒跟踪; 再用严格的判断条件删除冗余的关键帧和不稳定的三维点，以保证 BA 的效率和精度。(Orb-slam basically continues the algorithm framework of PTAM, but most of the components in the framework have been improved, which mainly includes four points:)

MCA，形态成分分析，广义图像处理，图像分解，图像降噪处理。(gmcalab fgmca.m imnb.m sparse_noisy_examples.m)

ITK的脑室图像分割,可以对脑部的图像用itk进行分割，用VTK来进行显示。(the segration of brain of ITK )

基于C#上的EMGUCV编写的SIFT算法的代码，自己修改匹配库的文件图片即可，支持显示SIFT的关键点(EMGUCV C# based on SIFT algorithm written in code, make changes to the document image to match the library, support the display of the key points SIFT)

图像处理-人脸识别技术：识别出图像中人物的五官形态，从而达到识别人脸的目的。(Image Processing-Face Recognition Technology)

视觉引导车路识别：灰度AGV路径识别；彩色AGV路径识别；HSI彩色空间的AGV路径识别；路径中心线的定位；Radon变换的AGV路径偏差检测(Vision Guided Vehicle Road Identification: gray AGV path identification color AGV path identification HSI color space of the AGV path identification path centerline positioning Radon transform of the AGV path deviation Detected)