卡尔曼预测

近年来，加速增长的数字媒体收藏集和特别是静止图像集合，这两个专有和在网络上，建立了需要为发展的人类-为中心的高效的访问和检索的视觉信息的工具。需要管理这些图像和目标图像响应用户查询 h 的定位成为一个重要的问题。图像分类是有效地处理海量图像数据库的重要一步，使高效的检索算法的实现。图像分类是指的一种数字图像分为不同的类别，在特定的数据集，基于属性值内的分组。这样做的目的是为了替换图像数据的可视化分析与定量技术。本项目提出了图像分类技术的基础使用离散余弦变换、 沃尔什变换的变换后图像的特征向量。特征向量的各种大小是 8 × 8、 16 X 16、 32 X 32、 64 × 64 和 128 × 128 等生成的。所提出的算法被过的数据库1000 幅图像传播超过 10 个不同的类。欧氏距离作为相似性度量。设置一个门限值来确定查询图像属于哪一类的。

基于粒子滤波的目标跟踪。颜色直方图特征。参考资料 1。基于颜色的概率 Tracking2。基于颜色的自适应粒子 filter3。ECSE 626 项目： 基于颜色的自适应粒子 Filter4。关于在线非线性、 非高斯贝叶斯跟踪的微粒过滤器的教程

Retinex可在光线条件不好时改善图像的视觉渲染。当光线较暗时，我们的眼睛可以正确地看到颜色，但照相机和摄像机不能很好地处理这个问题。MSRCR（MultiScale Retinex with Color Restoration）算法是Retinex滤波器的基础，其灵感来自于眼睛的生物学机制，以适应这些条件。Retinex代表视网膜+皮质。

具有选择性局部或全局分割的活动轮廓：一种新的变分方法和水平集方法。作者：张开华、张磊、宋慧慧和周文刚

一个算法从视频中提取关键帧并存储为JPEG图像和整个视频和图像的总结

深度学习的一种模型deep-net其中是自编码SEA和分类器组成，用于图像分类；SEA可以用于可以代表输入数据的最重要的因素，加上分类器softmax就能实现分类；在图像分类上要好于其他的模型

输入为要分解的矩阵、端元数、迭代次数、参数喇嘛塔   主要输出为丰度和端元  次要输出为obj还有迭代了几次 该程序用于高光谱分解，是在乘性迭代的基础上进行的改进，是的每个点都能达到稳定收敛。

应用背景 VS是2010的，网上寻找教程配置opencv和HALCON，然后运行程序，就可以根据按钮进行颜色提取，最后输出阈值，就可以在程序中进行运用。关键技术 使用mfc编写用户交互界面，然后对RGB颜色进行颜色通道分离，最后判断得出阈值，而且HSI空间对亮度的敏感度很小。

从opencv/sample里获得cvInRangeS函数可用于检查一个矩阵中的像素灰度值是否属于某一指定范围。并且可以输出一个单通道矩阵来进行标识。

资源描述robHess库中，实现sift算法的特征点提取，匹配两个过程。利用opencv2.4.9+c ，代码经过测试，可用，结果良好。