特征1.) 最小的麻烦，只是有效2.) 专业的图表3.) 适用于所有 2D 图形对象：线条、文本、补丁、图像等。 5.) 遵守“XTickMode”以自动或手动定位刻度线。 6.) 遵守“层”属性7.) 适用于符号学图和任一轴反转8.) 分割轴后可以调整大小8.) 可以拆分轴 限制1.) 不支持 semilogx 或 loglog 图2.) 创建额外的数据副本，这在显示非常大的数据集时可能会出现问题。 3.) 轴内的文本必须将“剪切”设置为“关闭”或在拆分轴后添加。 否则，它可能会渲染两次。 有关更多详细信息，请参阅 TextExample.m。

GBVS算法，用于人眼感兴趣区域提取，与Itti模型不同的是，在生成显著图的过程中采用的是马尔可夫链，用其平稳分布来计算感兴趣区域，是一种纯数学的计算方法。效果显示，GBVS要比Itti好。

在生物识别和图像处理中，找到Palmprint图像的ROI是一个普遍的问题。 这是开发基于掌纹图像识别的生物识别系统的主要步骤。 此处提供的代码尝试定位给定掌纹图像（左手或右手）的 ROI，假设 CASIA 数据库使用的命名约定得到维护。 代码的简单更改应该使其即使对于此数据库之外的图像也可用。 当前代码检查文件名以将图像分类为左手或右手。 输出 ROI 将是输入图像的 192x192 (uint8) 段。 采用的方法很简单，旨在提供有效的计算。 但是，由于此版本未考虑这些要求，因此应该可以进一步优化。 有关 ROI 检测的分步方法，请参阅下面给出的参考资料。 您可以浏览整个CASIA数据库： http : //www.cbsr.ia.ac.cn/english/Palmprint Databases.asp 参考文献：David Zhang、Wai-Kin Kong、Jane

目标检测是计算机视觉研究中的热门问题,其中加速区域卷积神经网络(Faster R-CNN)对目标检测具有指导意义。针对Faster R-CNN算法在目标检测中准确率不高的问题,先对数据进行增强处理;然后对提取的特征图进行裁剪,利用双线性插值法代替感兴趣区域池化操作,分类时采用软非极大值抑制(Soft-NMS)算法。实验结果表明,该算法在PASCAL VOC2007、PASCAL VOC07+12数据集下的准确率分别为76.40%和81.20%,相较Faster R-CNN算法分别提升了6.50个百分点和8.00个百分点。没有进行数据增强的情况下,在COCO 2014数据集上的准确率相较Faster R-CNN算法提升了2.40个百分点。

在python中编程实现，研究手指静脉图像的预处理算法，具体为手指静脉图像的轮廓分割、感兴趣区域截取、静脉纹理增强、静脉纹理分割。最后分别使用LBP特征和二值纹理特征对预处理后的静脉图像进行测评，获得两张静脉图像的相似度。

利用OpenCV将一个图像中的定义的固定的矩形感兴趣区域拷贝到另一个图像的另一个固定的感兴趣区域。 详见博文：http://blog.csdn.net/fightingforcv/article/details/39005229

自己编写的基于opencv1.0 的ROI区域设定，很好用

python开发小游戏

视频图像处理部分采用opencv进行处理。可以通过鼠标的右键选择视频中感兴趣区域，并把感兴趣区域显示出来。

用matlab从图像中提取出感兴趣区域并分析