为了提升传统多视图K-means算法在高维数据中的聚类性能，提出了一种鲁棒性大规模多视图数据的自降维K-means算法RMSKMC（robust multi-view subKmeans clustering）。通过寻找单个视图上的最优子空间实现高维数据的自降维，利用非负矩阵分解（NMF）对损失函数进行重构，使不同视图共享相同的聚类指示矩阵从而实现多视图信息互补，完成大规模多视图数据的聚类。实验结果表明，在大规模多视图数据集上，该算法比其他多视图聚类算法资源消耗更小，并且能够进行更为准确的聚类。

将一系列二维dicom图像读入内存，叠成一个三维体数据。然后，通过中心点和方向，利用插值算法，对三维体数据切片，最终将切片结果写出成一系列jpg图像。

日常android开发中，经常会遇到一个界面需要多种状态来回切换，如加载、内容、错误、空白。可以根据MultiStateView的 来打造适合自己的多视图控制组件，使view在不同的状态下显示不同的视图，比如加载界面，空白界面，错误界面。

本书全面介绍了近10年来发展的基于几何的计算机视觉计算方法及其数学基础。除了上述内容外，其中多摄像机视图几何及其计算方法，值得读者关注。这是因为当前计算机的性能价格比大大提高，使人们有条件在视觉系统中使用更多的摄像机，以利用冗余的信息，来换取系统对噪声的鲁棒性。系统对噪声的鲁棒性一直是实用计算机视觉系统的瓶颈问题，解决该问题的可能的办法是：提高摄像机的分辨率、多摄像机方法和近年来大量引进的统计最优化鲁棒算法(本书许多章节也有描述)。本书对我国专门从事计算机视觉研究的读者有较好的参考价值。此外，从事相关数学领域研究的人士也值得一读

可用于视觉slam学习参考，或者计算机领域视觉中的多视图几何参考教材第二版英文

基于深度的基于图像融合和盲去模糊的多视图超分辨率方法

计算机视觉中的多视图几何的英文原版，第二版， Richard Hartley / Andrew Zisserman著。3D重建必备圣经。 清晰非扫描，有标签，彩色。

基于非并行支持向量机的多视图学习

基于聚类的压缩多视图深度图的交叉视图过滤

从一组校准的2D多视图图像中准确地重建3D几何形状是一种积极而有效的方法计算机视觉中具有挑战性的任务。 现有的多视图立体声方法通常在恢复方面表现不佳深凹且突出的结构，并且会遇到一些常见问题，例如收敛速度慢，对初始条件的敏感性以及对内存的高要求。 为了解决这些问题，我们建议广义重投影误差最小化的两阶段优化方法（TwGREM），其中提出了一种广义的重投影误差框架，以将立体和轮廓提示整合到一个统一的能量中功能。 为了使函数最小化，我们首先在3D体积网格上引入凸松弛可以使用变量拆分和Chambolle投影有效解决。 然后，得到的表面是参数化为三角形网格并使用表面演化进行精炼以获得高质量的3D重建。 我们使用几种最先进方法进行的比较实验表明，TwGREM的性能基于3D的重建在准确性和效率方面是最高的，尤其是对于具有光滑的纹理和稀疏的视点