搜索资源列表
imagemosic
- 针对基于图像特征点的配准方法中对应特征对难以准确提取的问题,提出一种基于兴趣 点匹配的图像自动拼接方法。该方法首先利用Harris角检测器提取两幅图像中的兴趣点,并在此基 础上采用比较最大值法提取出对应兴趣点特征对,最后利用这些匹配特征对来实现图像的拼接。实 验结果表明,这种方法能有效地去除伪匹配特征对的干扰,同时降低了误匹配的概率-Feature points for image-based registration method of the corresponding char
POINT
- 新型高效图像特征点检测算法 在运动检测 匹配 等图像处理领域有广泛应用-A NEW DIGITAL INTEREST POINT OPERATOR FOR CLOSE-RANGE PHOTOGRAMMETRY
sift5
- :研究了一种多目标识别算法,该算法用SUSAN角点形成SIFT特征点,采用阶梯图像金字塔结构实现尺度不变,为所有匹配点建立统一的超定线性方程组并对该方程组系数矩阵进行简 化使其维数降低一半,得到增广矩阵.对增广矩阵进行列变换,依据坐标转换的特性可从中提取多目标的稳定正常点,实现了快速分离多目标的匹配点. -: Study of a multi-target recognition algorithm using SUSAN corner formed SIFT feature point
BaseAutopanoramareserch
- 别对两幅图像提取广义特征点后， 利用基于根均方误差和交叉相关的两级匹配算法完成同名控制点的建立。并以局部加权直线拟合方法来校正图像 的几何畸变。最后建立两幅图像之间的函数映射关系，完成图像的配准。实验结果证明了该方法的有效性。-Do the two images extracted generalized characteristic point, the root mean square error-based and cross-correlation of the two cont
deselaers-cvpr10
- 图像匹配知识介绍,基于特征点的匹配介绍，值得收藏-image match
sift-introduction
- SIFT特征匹配算法是目前国内外特征点匹配研究领域的热点与难点，其匹配能力较强，可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，甚至在某种程度上对任意角度拍摄的图像也具备较为稳定的特征匹配能力。该算法目前外文资料较多，但中文方面的介绍较少.-SIFT feature matching algorithm is at home and abroad feature points matching hot area of research and diffi
harris--feature-extraction
- 图像中角点(特征点)提取与匹配算法.，通过harris焦点检测来实现特征的提取-Extraction and matching algorithms of image corners (feature points), harris focus detection to the feature extraction
ImageMosaic
- 一些关于图像拼接的论文，包括特征提取、特征匹配和RANSAC特征点提出等-The articles of image mosaic, including feature extraction, feature matching and RANSAC the feature points purification algorithm
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-feature
- 把 SIFT 算法应用在牙齿模型图像上，检测牙齿图像的特征点。 方法：首先采用高斯差分算子 DoG 搜索整个图 像的尺度和位置信息，从而确定具有代表性尺度、方向的特征点。基于其稳定性选择关键点，得到一个详细的模型以确定每个候 选点的合适位置和范围。基于局部图像梯度方向信息将方向矢量和关键点对应起来。在选定范围内的每个关键点周边区域测量 局部图像梯度，并采用 KNN 算法进行特征匹配。 结果：通过大量的实验和与其他特征提取方法相比较，该方法能有效地检测牙 齿模型图像的特征，并为牙齿
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-based-on-edge-corner
- SIFT 由特征提取，特征描述符描述和特征匹配 3 部分构成，该算子特征提取数目庞大，建立特征描述符运算 量高，导致算法效率低。提出了一种 SEC( SIFT-Edge-Corner) 算法，在图像尺度空间提取角点代替 SIFT 特征点，并根 据角点是边缘曲率极值理论，预先采用 Canny 算子得到高斯边缘图像金字塔，再提取角点并进行尺度选择。实验结 果表明: 该算法在保障高准确率的前提下大幅度提高特征提取效率-By the SIFT feature extraction, fea
ASM-2.2.1
- 对模型特征点周围的纹理信息进行采样，对比图像和模型训练集的纹理，找到纹理最接近的点即认为是特征点。作者这里比较纹理的工具是马氏距离。为了提高搜索的效率，作者还提到了多分辨率搜索周围像素纹理，对于粗糙的尺度，搜索范围大，对于细致的尺度，进行细致的搜索，提高了匹配的效率。-The texture information model feature points around the sampling, texture contrast image and model train sets, find
fast-template-matching
- 本文提出一种基于图像边缘几何特征的快速模板匹配算法。算法利用边缘 点的位置和梯度方向作为匹配信息进行相似度计算。可以很好的避免因图像明 暗变化、光照不均匀、旋转所带来的影响，且对于部分遮挡的情况，亦可以得 到良好的匹配结果。为了得到边缘点坐标和梯度方向，本文根据曲面拟合原理， 通过平移变换，推导出精确梯度方向和亚像素边缘坐标的快速算法。既加快了 算法的处理速度，也是匹配算法高精度的前提保证。为了使匹配算法满足实时 性要求，主要采用阈值判断和图像金字塔算法的搜索策略。在阈值
opencv-doc
- 图像数据操作（内存分配与释放，图像复制、设定和转换） 图像/视频的输入输出（支持文件或摄像头的输入，图像/视频文件的输出） 矩阵/向量数据操作及线性代数运算（矩阵乘积、矩阵方程求解、特征值、奇异值分解） 支持多种动态数据结构（链表、队列、数据集、树、图） 基本图像处理（去噪、边缘检测、角点检测、采样与插值、色彩变换、形态学处理、直方图、图像金字塔结构） 结构分析（连通域/分支、轮廓处理、距离转换、图像矩、模板匹配、霍夫变换、多项式逼近、曲线拟合、椭圆拟合、狄劳尼三角化）
SIFT
- SIFT（Scale-invariant feature transform）是一种检测局部特征的算法，该算法通过求一幅图中的特征点（interest points,or corner points）及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配，获得了良好效果-SIFT (Scale-invariant feature transform) is a local feature detection algorithm by finding a pictur
sift_method
- SIFT（Scale-invariant feature transform）是一种检测局部特征的算法，该算法通过求一幅图中的特征点（interest points,or corner points）及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配，获得了良好效果-SIFT (Scale-invariant feature transform) is a local feature detection algorithm by finding a pictur
Image-Stitching
- 基于SIFT特征的全景图像拼接 主要分为以下几个步骤： (1) 读入两张图片并分别提取SIFT特征 (2) 利用k-d tree和BBF算法进行特征匹配查找 (3) 利用RANSAC算法筛选匹配点并计算变换矩阵 (3) 图像融合 -Image Stitching
SLAM
- 本文研究了基于多传感器组合导航方法的SLAM，由于移动机器人无法通过单个传 感器得到可靠的信息，采用多传感器组合导航的方法可以很好的解决这个问题。本文用单个 CCD摄像头和里程计组合进行SLAM研究，并得到更准确的机器人位姿信息。首先用SIFT 算法对不同图像进行特征提取和匹配，得到本质矩阵，对它进行分解，可得到机器人的旋转 矩阵和平移向量(和实际相差一个比例因子)。然后，将它与里程计信息结合，得到机器人的 位姿。在此基础上，可以得到特征点在当前摄像机坐标系中的三维坐标，即创
CHENGXU
- 图像拼接,基于matlab里面特征点匹配的改进算法的程序。-Image matching, the inside of the improved algorithm of feature point matching based on matlab program.