通过使用局部Hessian矩阵在2D图像中查找山脊，以找到凸线的方向（通过hessian的本征分解）。 特征向量描述了对变换不变的像素局部双导数的方向（即稳定的脊或谷）。

N维图像（Python，SciPy，NumPy，TensorFlow）的弹性变形 该库为N维图像实现了基于弹性网格的变形。 弹性变形方法在 Ronneberger，Fischer和Brox，“ U-Net：用于生物医学图像分割的卷积网络”（ ） Çiçek等人，“ 3D U-Net：从稀疏注释中学习密集的体积分割”（ ） 该过程将为每个栅格点生成一个具有随机位移的粗位移网格。 然后对该网格进行插值以计算输入图像中每个像素的位移。 然后，使用位移矢量和样条插值使输入图像变形。 除了正常的正向变形外，此程序包还提供了可以通过变形反向传播渐变的功能。 这使得可以将变形用作卷积神经网络中的一层。 为了方便起见，在elasticdeform.tf提供了一个TensorFlow包装器。 安装 pip install elasticdeform or pip install git+htt

描述了摄像机标定的原理和标定的方法 三维重建的原理

该软件可以迅速实现三维重建，操作方便，简单容易，但精度有待提高

总结了目前二维灰度图像的亚像素边缘检测算法，针对它们存在的原理误差、计算复杂、用时长及不能通用等问题，提出了一种新的亚像素边缘检测算法.分析了3种基本边缘（阶跃型边缘、脉冲型边缘、屋脊型边缘）的特点，利用一维质心算法对这3种边缘特征计算上的通用性及简易性进行了二维推广，得到了一种具有快速通用性的亚像素边缘检测算法.并在此基础上针对提高离散化过程中的精度问题，引入了高斯卷积平滑的预处理方法；引入了Sobel算法对图像像素进行了筛选，进一步提高了计算速度.通过实验验证了此算法的有效性，并分析了误差产生的原因.

基于MATLAB软件实现二维图像的分形维数的求取，A quantitative analysis of perimeter roughness is carried out to illustrate the degree of roughness of input images.

opencv读取图像，再转换成三维点云，基于灰度的部分计算各点的颜色，用openscenegraph渲染成三维点云。

PointCloud到图像 一种将三维激光点云数据投影到序列化二维图像中的算法。 作者：古峰 介绍 在点云数据的中心或数据的收集轨迹上选择一个视点。 然后，该算法将3D点云数据投影到与以视点为中心的不同视角相对应的平面上。 然后使用三维激光点云的特征对图像进行染色。 该算法一共给出了六种染色方法，读者可以根据需要选择其中一种或多种。 六种染色方法是：RGB颜色，反射值，法向矢量的垂直分量，深度，方位角和空间邻域角（SNA）图像。可以更改生成的图片数量以及生成的图片的尺寸和分辨率。 1张序列化的深度图像 2张序列化的普通图像 3张序列化强度图像 4个序列化的方位角图像 5张序列化的空间邻里角图像 6个序列化的二进制空间邻域角度图像 7张序列化的RGB彩色图像 依存关系 程序依赖性：PCL1.8.0，OpenCV 3，OpenMP。 无论输入和输出如何，都需要4到5秒钟

标准的.off模型，共33种，包括著名的斯坦福兔子，中国龙，等等。

单幅二维图像进行三维重建一直是计算机视觉领域的难题，因为每一图像点都有无限多个场景点与之对应。故从光学成像的角度分析，单幅二维图像三维重建问题好像不存在较为通用的解决方案。然而反思人类自身视觉经验，仅用一只眼睛观察单幅二维图像，同样能感觉到栩栩如生的三维世界。而且完成这一过程是不需要任何意识努力，好像是全部自动进行的。这些表明人类视觉系统能轻松解决这个问题。人眼与照相机的光学成像机制几乎完全相同，故模拟人类视觉系统，计算机对单幅二维图像进行三维重建又是完全有可能的，这正是本章研究工作的基本思路与逻辑起点。