这是北卡的Pollefeys教授的两篇经典文章，文章介绍了基于图像序列重建三维物体的基本思想，对研究三维重建的朋友很有帮助

实际生活里，因为许许多多的视觉方面的信息大多是来自运动的，所以目前针对在线目标的检测方面，已经广为流传。比如：在军事领域的飞行器自动驾驶、目标在线跟踪导航、医学领域的生物组织分析，包括对微观细胞的在线跟踪导航等；银行，机场、商店和政府重要机构等安全场所的智能监控等等，在线目标检测已经深入人们的日常生活，产生了不可替代的作用。随着科技各个研究领域的迅速发展，在各种不同的应用场合，人们对在线目标检测的现实要求越来越高，只有不断的提高在线目标检测的实时性、准确性才能不断地满足现实生活的需求。 现今业内比较通用的算法主要有以下三种，光流法、帧间分差法以及本篇文章所要利用的背景分差法。背景差分法的基本原理是，首先要获得经过统计建立模型的背景，然后当前的帧图像减去背景图像，结果里面的像素值同阈值T比较，假如得到的结果是小于阀值的，那么这个就是背景像素，相反就是目标像素，那么通过这种方式，背景像素相对应的目标像素也能检测到，接着将得到的目标图像进行二值化处理，再对其进行形态学处理。从实验结果可以看出，本文所用方法能够准确的检测到运动物体，且不受噪声的干扰。

本文针对遵守DICOM3.0标准的CT医学影像，详细讨论了绘制定位线的有效方案

运动人体检测和行为识别涉及广泛，包括人工智能、计算机视觉、模式识别等，人体行为识别在医疗、商业、军事中具有重要的应用价值，为探究良好的人体行为识别方法，本文引入傅里叶-隐马尔可夫模型进行相关分析，在人体行为序列图像的识别过程中，需要了解有关人体行为二值图像的轮廓，然后采取科学的方式进行傅里叶变换，接着进行向量转化，形成观察符号序列，将矢量量化向特征向量变化，便于提取人体轮廓的特征，进行后续的应用研究。最后对人体的行为进行识别，采用隐马尔大夫分类器。利用傅里叶-隐马尔科夫模型进行人体识别，能够有效提高人体行为识别率，本次测试单个行为的识别中平均识别率达到94%，要进行深入探究，进行复杂环境复杂动作的识别，促进相关工作的改进。

这是一个使用 dicomread 函数导入一系列 dicom 文件的简单函数。 请仔细阅读代码中的注释。 这是一个非常简单的方法，但可以方便地快速使用它。 哲学： 我想要一个可靠的、带注释的代码以方便使用，这样我就可以专注于项目中更大的问题。 我开始知道当您使用 uigetfile 选择要读取的一堆文件时，会有一个限制。 （这适用于 32 位 Windows）可以附加的字符串（文件名）的长度是有限制的，因此无论文件大小如何，在超出某个特定编号后您都将无法读取文件。 以这种方式阅读它们可以解决这个问题。 现在， 我已经在“IPL（OpenVMS 系统上使用的图像处理库）生成的 dicoms”和“Analyze（由 Mayo Clinic www.analyzedirect.com开发的医学图像分析软件）生成的 Dicoms”上测试了此功能 详细注释写在函数内部。 感谢您的反馈。

该脚本可以将KITTI数据集中的图像序列换转成ROS中的.bag文件格式。具体使用方法代码中给了示例。例如：将双目数据转换成.bag文件： python img2bag_kitti_StereoBag.py /home/Andy/my_workspace/Dataset/KITTI/01 KITTI_01.bag /home/Andy/my_workspace/Dataset/KITTI/01/times.txt

该软件为绿色免安装的软件，将bmp图像序列转换为AVI文件。本人亲自用过，感觉不错，转一下。

焦点深度 离焦/散焦深度是从场景的两个或多个图像的集合中估计场景的 3D 表面的问题。 图像是通过改变相机参数（通常是焦点设置或图像平面轴向位置）获得的，并从相同的角度拍摄。 要求 要运行此代码，您需要安装一个包 。 它必须按照各自项目页面上的说明单独安装。 管道 1. 图像对齐：基于特征的对齐 [1, 2, 3] 将 RGB 图像 A 和 B 转换为灰度图像 A' 和 B' 检测SIFT特征 A' 和 B' 匹配 A' 和 B' 之间的特征 计算 A' 和 B' 之间的单应性 使用单应性将 A 与 B 对齐 对所有图像序列（焦点堆栈）重复 1)~5)。 2. 焦点测量的初始深度 [4, 5, 6, 7] Focus Measure 算子计算图像中的最佳聚焦点，即Focus Measure 被定义为用于局部评估像素锐度的量。 当以小景深拍摄图像时，远离相机的物体会失焦并被认为是模糊

这是一篇有关于三维重建的论文，里面讲解的很细致，并且很实用，对于要进行图像三维重建的课题

基于图像序列的模糊聚类嘴唇分割算法.pdf