‘IEEE Transactions on Pattern Recognition And Machine Intelligence’‘IEEE Transactions on Image Processing’是最重要的两本，其它的如ICCV、CVPR、ECCV、NIPS、BMVC等的会议文章也非常好。
最小二乘线性拟合算法、随机霍夫变换、局部霍夫变换、canny算子边缘检测、图像增强霍夫变换霍夫变换(Hough Transform)是图像处理中从图像中识别几何形状的基本方法之一，应用很广泛，也有很多改进算法。
主要用来从图像中分离出具有某种相同特征的几何形状（如，直线，圆等）。
最基本的霍夫变换是从黑白图像中检测直线(线段)。
详细内容我们先看这样一个问题：设已知一黑白图像上画了一条直线，要求出这条直线所在的位置。
我们知道，直线的方程可以用y=k*x+b 来表示，其中k和b是参数，分别是斜率和截距。
过某一点(x0,y0)的所有直线的参数都会满足方程y0=kx0+b。
即点(x0,y0)确定了一组直线。
方程y0=kx0+b在参数k--b平面上是一条直线(你也可以是方程b=-x0*k+y0对应的直线)。
这样，图像x--y平面上的一个前景像素点就对应到参数平面上的一条直线。
我们举个例子说明解决前面那个问题的原理。
设图像上的直线是y=x, 我们先取上面的三个点：A(0,0), B(1,1), C(2,2)。
可以求出，过A点的直线的参数要满足方程b=0, 过B点的直线的参数要满足方程1=k+b, 过C点的直线的参数要满足方程2=2k+b, 这三个方程就对应着参数平面上的三条直线，而这三条直线会相交于一点(k=1,b=0)。
同理，原图像上直线y=x上的其它点(如(3,3),(4,4)等) 对应参数平面上的直线也会通过点(k=1,b=0)。
应用这个性质就为我们解决问题提供了方法：首先，我们初始化一块缓冲区，对应于参数平面，将其所有数据置为0.对于图像上每一前景点，求出参数平面对应的直线，把这直线上的所有点的值都加1。
霍乎变换点云直线提取摘要：1.霍乎变换的概述2.点云直线提取的背景和意义3.霍乎变换在点云直线提取中的应用4.霍乎变换在点云直线提取的实例分析5.总结正文：1.霍乎变换的概述霍乎变换，又称为霍夫变换，是一种在计算机视觉中广泛应用的二维变换方法。
它的主要作用是将图像中的关键点映射到对方图像的对应点，从而实现图像的匹配和拼接。
霍乎变换具有尺度不变性、旋转不变性和亮度不变性等优点，因此在图像处理、模式识别和计算机视觉等领域有着广泛的应用。
2.点云直线提取的背景和意义点云直线提取是计算机视觉和图形学领域的一个重要研究方向。
在三维数据处理、场景重建和机器人导航等方面，点云直线提取都有着重要的应用价值。
通过对点云数据中的直线进行提取，可以简化点云数据结构，降低数据量，提高数据处理和分析的效率。
同时，提取出的直线还可以作为特征用于识别和分类等任务。
3.霍乎变换在点云直线提取中的应用霍乎变换在点云直线提取中的应用主要体现在以下几个方面：（1）通过霍乎变换，可以将点云数据中的直线映射到对方点云数据的对应直线，从而实现点云直线的匹配和提取。
（2）利用霍乎变换的尺度不变性和旋转不变性，可以对不同尺度和旋转的点云数据进行直线提取，提高直线提取的准确性和鲁棒性。
（3）结合霍乎变换与其他特征提取方法，如直线段长度、直线段方向等，可以进一步提高点云直线提取的准确性和可靠性。
4.霍乎变换在点云直线提取的实例分析假设有两个点云数据集A 和B，分别表示同一场景的不同视角。
为了提取这两个点云数据集中的共同直线，可以采用霍乎变换进行处理。
具体步骤如下：（1）对点云数据集A 和B 进行预处理，包括滤波、采样等操作，以消除噪声和减少计算量。
（2）计算点云数据集A 和B 之间的变换矩阵，即霍乎变换矩阵。
（3）将点云数据集A 中的每个点映射到点云数据集B 中，得到映射后的点云数据。
（4）对映射后的点云数据进行直线提取，可以采用一些经典的直线提取算法，如Hough 变换、RANSAC 算法等。
图谱简介图论与组合是一门历史悠久而在近四十年又获得蓬勃发展的应用数学学科，是处理离散问题的强有力的工具，是整个离散数学的一个重要组成部分。
图论与组合包含着十分丰富的内容，按其所研究的问题的侧重点不同，可以分为图论、计数理论、组合矩阵论、最优化理论、组合设计等几个方面。
近五十年来，随着计算机科学、信息科学和系统科学的发展，图论组合及其应用的研究越来越引起人们的关注。
无论从其理论价值和实际应用的广度和深度来看，图论与组合正处于一个具有强大生命力的迅速发展的新时期。
一．图的矩阵在图论中，为了研究图的性质，人们引进了各种各样的矩阵，诸如图的邻接矩阵，拉普拉斯矩阵，规范拉普拉斯矩阵等，这些矩阵与图都有着自然的联系，代数图论的一个主要问题就是研究图的性质能否以及如何由这些矩阵的代数性质反映出来，这里所指的矩阵的代数性质，主要指矩阵的特征值。
图谱理论主要研究图的邻接矩阵、拉普拉斯矩阵和规范拉普拉斯矩阵的特征值及其特征向量，是当前代数图论、组合矩阵论和代数组合论共同关注的一个重要研究课题，极大地丰富和促进了图论和组合学的研究内容。
假设),(E V G =是一个无向无环的图（简单图或多重图），其中{}n v v v V ,,,21 =，{}m e e e E ,,,21 =。
定义1 G 的邻接矩阵是一个n n ⨯的矩阵n n ij a G A ⨯=)()(，其中ij a 是连接顶点i v 与j v 的边的条数。
图的邻接矩阵的特征值，是代数图论的一个基本研究课题，已经形成相当成熟的理论。
图谱的第一篇论文发表于1957 年，其结果是.定理1 令G 是n 个结点的简单连通图，则1)(1cos 2-≤≤+n G n ρπ，左边的等号成立，当且仅当G 是一路；右边的等号成立，当且仅当G 是一个完全图。
在国内该方面的研究直到1979年才出现了第一篇论文，该论文由李乔和冯克勤合写并发表在1979年的《应用数学学报》上。
代表人物: C. D. Cvetkovic.专 著：D. M. Cvetkovic, M. Doob, and H. Sachs, Spectra of graph-theory and applications, VEB Deutscher Verlag d. Wiss. Berlin, 1979; Acad. Press, New York, 1979. 1995注：1．)()(),(k ijk ij k a a A = 表示 G 中点 i v 到 j v 长为 k 的路的数目—数学归纳法。
■霍夫产品/市场演变矩阵☆什么是霍夫产品/市场演变矩阵产品－市场演变矩阵是由美国的查尔斯霍弗(C.W.Hofer)教授首先提出的。
他扩展了波士顿矩阵和通用矩阵两种战略选择方法，将业务增长率和行业吸引力因素转换成产品－市场发展阶段，从而得出15个方格的的矩阵。
矩阵模型图1所示：在上面的矩阵图中，横轴表示企业的市场竞争地位，分为强、中、弱三个级别，纵轴表示产品－市场的5个发展阶段，分别是：开发、增长、整顿、成熟、衰退。
这样产品－市场演变矩阵共包含15个方格。
霍夫矩阵是从所经营产品的市场发育阶段（生命周期状态）和企业竞争地位来分析企业各项经营精力的战略位置。
该方法用纵横坐标分别表示产品—市场发育阶段和企业竞争地位，产品—市场发育阶段按产品的生命周期分为五个阶段，企业竞争地位与GE矩阵一样分为强、中、弱三个档，这样霍夫矩阵由15个象限构成。
圆圈表示行业规模或产品/细分市场。
圆圈内扇形阴影部分表示企业各项经营业务的市场占有率。
☆产品/市场演变矩阵内容分析1、业务单位A看起来是一颗潜在的明星，它的相对较大的市场份额，加上它处于产品－市场发展的开发阶段以及它所具有的获得一个较强的竞争地位的潜力，使它成为接受公司资源支持的一个很有希望的候选者。
2、业务单位B在某种程度上看有点象A，然而对B单位投资的多少将取决于为什么B部门相对于其强大的竞争地位竟然具有如此低的市场份额这一个问题的答案。
为此，单位B应当实施能够改变它的这一较低的市场份额的战略，以便为争取更多的投资提供依据。
3、业务单位C在一个增长相对较小的行业中，占有一个较小的市场份额并拥有一个较弱的竞争地位，必须实行一种能够克服其低市场份额和弱竞争地位的战略，以争取未来投资。
单位C很可能是一个有待脱身的对象，以便将其资源运用于单位A或单位B。
4、业务单位D处于一个扩展的阶段，占有一个相对大的市场份额，并处于一个相对弱的竞争地位。
对单位D应当进行必要的投资以保持其相对强的竞争地位。
