均值滤波，在卷积形式的均值滤波中，需要把输入图对应模板内所有点像素点相加求平均，代替 原像素点。窗口越大，滤波效果越好，但是图像也变得更加模糊，所以需要根据实际情况设置矩形窗口的大小。 高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。通俗 的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的 其他像素值经过加权平均后得到。 高斯滤波的具体操作是：用一个模板 (或称卷积、掩模) 扫描图像中的每一个像素，用模板确 定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。对应均值滤波说，其邻域内每个像素的权重是相等的。而在高斯滤波中，会将中心点的权重值加大，远离中心点的权重值减小，在此基础上计算邻域内各个像素值不同权重的和。

CUDA实现稀疏大矩阵乘法

立体匹配是立体视觉从图像生成三维点云的常规手段。立体匹配算法主要是通过建立一个能量代价函数，通过此能量代价函数最小化来估计像素点视差值。立体匹配算法的实质就是一个最优化求解问题，通过建立合理的能量函数，增加一些约束，采用最优化理论的方法进行方程求解，这也是所有的病态问题求解方法。 双目立体匹配可划分为四个步骤：匹配代价计算、代价聚合、视差计算和视差优化。 匹配代价计算的目的是衡量待匹配像素与候选像素之间的相关性。两个像素无论是否为同名点，都可以通过匹配代价函数计算匹配代价，代价越小则说明相关性越大，是同名点的概率也越大。匹配代价计算的方法有很多，本课设使用灰度绝对值差（AD，Absolute Differences）。 代价聚合的根本目的是让代价值能够准确的反映像素之间的相关性。上一步匹配代价的计算往往只会考虑局部信息，通过两个像素邻域内一定大小的窗口内的像素信息来计算代价值，这很容易受到影像噪声的影响，而且当影像处于弱纹理或重复纹理区域，这个代价值极有可能无法准确的反映像素之间的相关性，直接表现就是真实同名点的代价值非最小。 视差计算即通过代价聚合之后的代价矩阵S来确定每个像素的最优

利用matlab调用cuda函数。利用GUP获得高性能，利用matlab可以获得快速的开发

win10 安装Mish-CUDA 遇到问题解决 ps：我修改了mish-cuda的一些代码，如果有小伙伴不能安装的话可以私我，或者在我发布的资源里找。 cuda+cudnn=11.3；pytorch=1.10

TensorRT-8.0.1.6.Windows10.x86_64.cuda-10.2.cudnn8.2.zip使用需要的环境： win10 x64 tensorrt==8.0.1.6 cuda==10.2 cudnn==8.2

TensorRT-8.0.1.6.Windows10.x86_64.cuda-11.3.cudnn8.2.zip使用需要的环境： win10 x64 tensorrt==8.0.1.6 cuda==11.3 cudnn==8.2

TensorRT-8.2.0.6.Windows10.x86_64.cuda-10.2.cudnn8.2.zip使用需要的环境： win10 x64 tensorrt==8.2.0.6 cuda==10.2 cudnn==8.2

TensorRT-8.2.1.8.Windows10.x86_64.cuda-10.2.cudnn8.2.zip使用需要的环境： win10 x64 tensorrt==8.2.1.8 cuda==10.2 cudnn==8.2

TensorRT-8.2.0.6.Windows10.x86_64.cuda-11.4.cudnn8.2.zip使用需要的环境： win10 x64 tensorrt==8.2.0.6 cuda==11.4 cudnn==8.2