diff --git a/aruco 参数分析.md b/aruco 参数分析.md
new file mode 100644
index 0000000..a15aee4
--- /dev/null
+++ b/aruco 参数分析.md	
@@ -0,0 +1,51 @@
+# aruco 参数分析
+
+aruco.cpp
+在287行有一个DetectInitialCandidatesParallel
+在这里面有并行操作，用于对图像进行二值化，之后检测二值化后的图像中是否存在marker。
+
+其循环次数直接和adaptiveThreshWinSizeMin adaptiveThreshWinSizeMax adaptiveThreshWinSizeStep相关。默认情况下分别是3 23 10，也就是会循环三次分别用3 13 23的二值化系数，其中数字越大，二值化以后的边缘越粗。实测认为23太大，循环为为3 6 9 即可。
+至于adaptiveThreshConstant暂时觉得没有什么贡献，这个数值越高，二值化以后的图中孤立的噪声点越少，默认是7，可调为20。
+adaptiveThreshWinSize参数没有用到，删了。
+
+函数传入了Range就是adaptiveThreshWinSizeMin adaptiveThreshWinSizeMax 之间循环的次数。
+
+minMarkerPerimeterRate是限制了图像中marker的最小边长尺寸，将这个修改为0.5会发现很多小的marker检测不出来。
+
+程序通过findContours查找闭合边缘，然后先
+根据min/maxMarkerPerimeterRate挑选出适合长度的区域
+
+检查矩形以及凸型 使用approxPolyDP函数 输入一组点，输出该该点集的拟合图形，其中拟合偏差度由accuracyRate决定，其越小，拟合的越精确。默认是0.05，如果改为0.01则找出的区域在边角跳动很剧烈，因为阈值太严格，每张图像多多少少有噪声，这些噪声会直接影响结果。所以保持默认的0.05.
+通过检查拟合出来的点集的size是否为4来筛选出矩形。通过isContourConvex来判断是否是凸集。
+
+minCornerDistance没有用，取代的是minCornerDistanceRate。他表示approxPolyDP输出的四个点，两两之间计算图像上的距离，寻找最小的那个距离，之后这个距离必须大于findContours找到的闭合边缘的百分比，理所应当的是这个参数要小于0.25，默认是0.05，我改为0.15可以消除很多斜视的情况！
+
+minDistanceToBorder是值找出来的图形距离图像边缘的阈值，默认是3，其实和adaptiveThreshWinSizeMin 有关，这里就用默认值3
+
+至此_detectInitialCandidates函数任务完成。输出了一批候选marker
+
+之后是 _identifyCandidates 要计算出marker的id号。
+markerBorderBits在生成marker是就决定了，这里是1
+
+之后是_filterTooCloseCandidates，将特别靠近的marker去除掉。minMarkerDistance参数没有用删除，minMarkerDistanceRate保持默认值。
+
+doCornerRefinement是使用亚像素级角点检测，可以不使用。
+
+至此检测所有的marker结束之后就是位姿估计。
+
+
+
+```sh
+export ANDROID_SDK=
+export PATH=$ANDROID_SDK/tools:$PATH
+source  ~/.bashrc
+
+```
+
+
+
+
+
+```text
+
+```
\ No newline at end of file
diff --git a/matlab标定参数.md b/matlab标定参数.md
index bb80c71..809c10f 100644
--- a/matlab标定参数.md
+++ b/matlab标定参数.md
@@ -24,3 +24,27 @@
 | p2   | 0.008645251405539      |
 | k3   | 1.267624998722697e+05  |
 
+## code
+
+```java
+        if (model == Model.MATRICE_300_RTK) {
+            cameraMatrix = new Mat(3, 3, CvType.CV_64FC1) {
+                {
+                    put(0, 0, 6.138149733734280e+03, 0, 7.244878111512812e+02);
+                    put(1, 0, 0, 6.651309839828123e+03, 5.358189824761293e+02);
+                    put(2, 0, 0, 0, 1);
+                }
+            };
+            distCoeffs = new Mat(5, 1, CvType.CV_64FC1) {
+                {
+                    put(0, 0, 15.417476643365749);
+                    put(1, 0, -2.543897784820708e+03);
+                    put(2, 0, 0.006416193049765);
+                    put(3, 0, 0.008645251405539);
+                    put(4, 0, 1.267624998722697e+05);
+                }
+            };
+        }
+
+```
+