搜索资源列表
sift_matlab
- 一个关于sift算法的Matlab实例，包含特征提取和图像匹配。-A Matlab instances on the sift algorithm, including feature extraction and image matching.
5
- 本文提出了一种基于特征点的全自动无缝图像拼接方法。该方法采用对于尺度具有鲁棒性的SIFT 算法进行特征点的提取与匹配，并通过引导互匹配及投票过滤的方法提高特征点的匹配精确度，使用稳健的RANSAC 算法求出图像间变换矩阵H 的初值并使用LM 非线性迭代算法精炼H，最终使用加权平滑算法完成了图像的无缝拼接。整个处理过程完全自动地实现了对一组图像的无缝拼接，克服了传统图像拼接方法在尺度和光照变化条件下的局限性。实验结果验证了方法的有效性。-This paper presents a feature
improved-MSER-algorithm-
- 本文在比较多种仿射不变性区域的基础上，选取最大稳定极值区域(MSER)对图像内容进行分割和提取，并通过构造仿射不变量的方法，对提取出来的区域进行规整化，进而从规整化的区域中提取SIFT描述子，然后根据匹配目标的需要进行特征的组合、变换，以形成易于匹配、稳定性好的特征向量，从而把图像匹配问题转化为特征的匹配问题 通过改进的K均值算法对特征向量进行聚类，聚类中心作为图像的视觉关键词:利用视觉关键词的思想，把文本检索技术领域的方法移植到图像检索应用上；并研究视觉关键词之间的空间约束关系。-Most r
KNN-ALG
- 基于欧式距离的最邻近改进算法，该算法在提高SIFT算法的特征点匹配效率-Euclidean distance based on the nearest improved algorithm SIFT algorithm to improve the efficiency of matching feature points
SIFTtutorial
- 关于sift算法的matlab教程 包括图像的特征提取 图像的匹配等 含m文件-Matlab tutorials on the sift algorithm Including image feature extraction image matching with m file
SIFT_YantaoNoemie
- sift算法 图像处理 尺度无关特征转换 matlabSIFT算法的主要思想是在尺度空间寻找极值点，然后对极值点进行过滤，找出稳定的特征点。最后在每个稳定的特征点周围提取图像的局部特性，形成局部描述子并将其用在以后的匹配中.-Scale Invariant Feature Transform (SIFT) is an approach for detecting and extracting local feature descr iptors that are reasonably i
qt_open_surf
- 在上篇博客特征点检测学习_1(sift算法) 中简单介绍了经典的sift算法，sift算法比较稳定，检测到的特征点也比较多，其最大的确定是计算复杂度较高。后面有不少学者对其进行了改进，其中比较出名的就是本文要介绍的surf算法，surf的中文意思为快速鲁棒特征。本文不是专门介绍surf所有理论（最好的理论是作者的论文）的，只是对surf算法进行了下整理，方便以后查阅。 该代码的作者给出的主函数实现了6中功能，包括静态图片特征点的检测，视频中特征点的检测，图片之间的匹配，视频与图片之间的匹配
Video-vehicle-matching-
- 本文在opencv环境下，以目标识别为中心，利用 SIFT 算法对图像进行局部特征的提 取和其算法稳定的特点，有效准确建立匹配关系。-Opencv environment, target recognition, SIFT algorithm for image local feature extraction and algorithm characteristics, effectively and accurately create a matching relationship.
SIFT_VC.rar
- sift算法，支持特征点提取，kdtree算法匹配的程序。,sift algorithm, program support feature point extraction, kdtree algorithm match.
sift__matlab
- 经典的基于sift算法特征提取以及匹配，简单实用-Based on the classic the sift algorithm feature extraction and matching, simple and practical
ORB_Test
- 基于opencv的 orb特征点匹配的算法实例 比sift suft快很多-Opencv orb feature points matching algorithm instance is much faster than sift suft
RANSAC
- 提纯检测到的特征点的一个算法，可以和SIFT算法结合使用，去除一些误匹配的关键点，提高代码的执行效率-Purified feature points detected an algorithm that can be used in conjunction with SIFT algorithm to remove some of the mismatching of the key points to improve the efficiency of the implementation o
image-matching--
- 首先对图像 进行高斯和 Wallis 滤波处理，然后采用简化 SIFT 算法进行特征点提取，最后通过特征点双向 匹配方法实现图像的精确匹配。通过对缺陷版图图像的试验验证了该方法具有匹配点数量 多、准确率高、无重复点等优点。-First of all Gaussian image filtering and Wallis and simplified SIFT feature point extraction algorithm, and finally through the fea
image-matching-
- 针对 １２８ 维 ＳＩＦＴ 特 征向量，采用距离匹配和余弦相似度匹配相结合的测度方法，利用特征点方向一致性进一步降低误匹配率 ． 实验结 果表明：改进算法对图像的缩放、旋转、光照、噪声和小尺度的视角变换均有较好的匹配效果 ． 与原算法相比，在保 证匹配点数和匹配时间的基础上，改进算法对旋转、缩放、噪声模糊和光照变换的误匹配率平均降低 １０％～２０％ ， 对于小尺度的视角变换，误匹配率平均降低 ５％． -For 128-dimensi
sift_robkdtree
- sift算法寻找特征点，并用KD树法匹配特征点-sift algorithm to find the feature points and match with KD tree method feature points
image-mosaic
- 图像拼接，利用SIFT算法提取点特征，并进行点匹配，解算单应性矩阵，根据结算出的单应性矩阵对图像进行仿射变换，最后进行拼接，程序中的备注很详细，各位感兴趣的同志可以下载看看。-Image mosaic using SIFT feature point extraction algorithm, and point matching, homography matrix solver, based on the settlement of the homography image affine t
1
- 这是一个关于图像匹配的代码，有sift，surf的 特征检测 ， 特征提取等，有它们的具体实现算法，很值得研究，也比较适合初学者-This is a code on the image matching, there sift, surf feature detection, feature extraction, etc., have their specific algorithm, it is worth studying, but also more suitable for begin
sift_match_feature
- 基于sift算法的图像匹配,能检测特征点和进行图像匹配-Image matching based on SIFT algorithm，Can detect feature points and image matching
robwhess-opensift
- 基于局部不变特征的图像匹配。利用SIFT算法实现局部特征的检测与提取，再用RANSAC算法筛选特征点，提高正确的匹配率。-Based image matching local invariant features. Use SIFT algorithm to detect and local feature extraction, and then filtering feature points RANSAC algorithm to improve the correct match rat
Display_SIFT-(1)
- 指纹识别算法、预处理、指纹特征提取、指纹特征SIFT匹配-Fingerprint recognition algorithm, the preprocessing, fingerprint feature extraction and fingerprint feature matching