sift演算法的改進

㈠ matlab實現SIFT特徵點檢測及配准

sift是一種提取特徵點的演算法，可以用matlab編程實現，但沒有現成的語句，得自己寫程序。另外還有很多提取特徵的演算法，sift是其中比較好的一種。

㈡ sift演算法有什麼最新的進展

隨著多媒體技術、計算機技術迅速發展，Internet上呈現大量的圖像信息。圖像中包含了很多的物體特性，其中顏色是非常重要的特徵之一，顏色包含了圖像中更多有價值的識別信息。SIFT演算法提取圖像局部特徵，成功應用於物體識別、圖像檢索等領域。該演算法由DAVID G.L.於1999年提出[1]，並於2004年進行了發展和完善[2]，MIKOLAJCZYK[3]對多種描述子進行實驗分析，結果證實了SIFT描述子具有最強的魯棒性。然而這些描述子僅利用圖像的灰度信息，忽略了圖像的彩色信息。為了提高光照不變性，獲得更高的識別率，研究者提出了基於顏色不變特性的SIFT彩色描述子。目前彩色描述子主要分為基於顏色直方圖、基於顏色矩、基於SIFT三類。本文對彩色SIFT描述子進行了深入的研究，闡述了彩色SIFT描述子，給出了每種彩色描述子的性能評價。

㈢ sift演算法是怎麼么實現尺度不變的

關鍵字：高斯尺度金字塔

打個比方，人近視眼就是一個高斯blur，blur的越大說明尺度越大。
SIFT通過不同sigma的高斯blur參數，模擬出了不同尺度的特徵。
然後用DOG圖像求的關鍵點。

看論文吧，一兩句說不清楚。

㈣ SIFT匹配演算法 匹配點少怎麼辦

用大圖。

還有篇論文講a-sift，不過不建議用。

㈤ 計算機視覺結合sift演算法的多尺度編寫改進harris演算法，也就是多尺度harris代碼，求vs2005能運行的。

怎麼不opencv啊。。。
到新浪共享下載源碼吧！

㈥ 在我寫的關於sift演算法的前倆篇文章里頭，已經對sift演算法有了初步的介紹：九、圖像特徵提取與匹配之SIFT演算法

一種基於SIFT的仿射不變特徵提取新方法.pdf
改進SIFT特徵描述符在影像匹配中的應用研究.pdf
基於二階矩的SIFT特徵匹配演算法.pdf
基於改進的SIFT特徵的圖像雙向匹配演算法.pdf
一種改進的SIFT特徵點匹配演算法.pdf
一種改進的SIFT特徵匹配演算法及其實現.pdf

㈦ sift特徵向量的維數

基於不變數技術的特徵檢測方法的基礎上，提出的一種基於尺度空間的、對圖像縮放、旋轉、仿射變換、光照變化保持穩定性的圖像局部特徵描述演算法-SIFT運算元。SIFT特徵點向量的生成由以下四步驟組成：1、在尺度空間中檢測極值點；2、去除低對比度的極值點和不穩定的邊緣極值點，得到特徵點；3、計算特徵點的方向參數；4、生成SIFT特徵點向量，向量維數一般為128維。運用SIFT演算法提取的SIFT特徵點向量具有如下優點：1、SIFT特徵是圖像的局部特徵，對旋轉、尺度縮放、亮度變化保持不變化性，對視角變化、仿射變換、噪音也保持一定程度的穩定性；2、獨特性好，信息量豐富，適用於在海量特徵資料庫中進行快速、准確的匹配；3、多量性，即使少數的幾個物體也可以產生大量SIFT特徵向量。現有的SIFT演算法具有一定的缺陷，對於圖像的檢測效率和檢測精度較差。
技術實現思路
有鑒於此，本專利技術實施例的目的在於提供一種基於改進SIFT的圖像特徵檢測方法及裝置，以解決上述技術問題。第一方面，本專利技術實施例提供了一種基於改進S...

【技術保護點】
1.一種基於改進SIFT的圖像特徵檢測方法，其特徵在於，包括：獲取待檢測圖像和對應的標准圖像；利用尺度不變特徵變換SIFT演算法對所述待檢測圖像和所述標准圖像進行圖像匹配，獲得多對匹配點；計算所述匹配點之間的鄰域直徑比和方向角度差；根據所述鄰域直徑比和所述方向角度差對所述匹配點進行剔除，獲得正確匹配點，以獲得所述待檢測圖像中的特徵。

㈧ sift特徵點匹配怎麼去除不好的特徵點

一、特徵點（角點）匹配 圖像匹配能夠應用的場合非常多，如目標跟蹤，檢測，識別，圖像拼接等，而角點匹配最核心的技術就要屬角點匹配了，所謂角點匹配是指尋找兩幅圖像之間的特徵像素點的對應關系，從而確定兩幅圖像的位置關系。 角點匹配可以分為以下四個步驟： 1、提取檢測子：在兩張待匹配的圖像中尋找那些最容易識別的像素點（角點），比如紋理豐富的物體邊緣點等。 2、提取描述子：對於檢測出的角點，用一些數學上的特徵對其進行描述，如梯度直方圖，局部隨機二值特徵等。檢測子和描述子的常用提取方法有：sift，harris，surf，fast，agast，brisk，freak，brisk，brief/orb等。 3、匹配：通過各個角點的描述子來判斷它們在兩張圖像中的對應關系，常用方法如 flann等。 4、消噪：去除錯誤匹配的外點，保留正確的匹配點。常用方法有KDTREE，BBF，Ransac，GTM等。 二、SIFT匹配方法的提出 為了排除因為圖像遮擋和背景混亂而產生的無匹配關系的關鍵點，SIFT的作者Lowe提出了比較最近鄰距離與次近鄰距離的SIFT匹配方式：取一幅圖像中的一個SIFT關鍵點，並找出其與另一幅圖像中歐式距離最近的前兩個關鍵點，在這兩個關鍵點中，如果最近的距離除以次近的距離得到的比率ratio少於某個閾值T，則接受這一對匹配點。因為對於錯誤匹配，由於特徵空間的高維性，相似的距離可能有大量其他的錯誤匹配，從而它的ratio值比較高。顯然降低這個比例閾值T，SIFT匹配點數目會減少，但更加穩定，反之亦然。 Lowe推薦ratio的閾值為0.8，但作者對大量任意存在尺度、旋轉和亮度變化的兩幅圖片進行匹配，結果表明ratio取值在0. 4~0. 6 之間最佳，小於0. 4的很少有匹配點，大於0. 6的則存在大量錯誤匹配點，所以建議ratio的取值原則如下: ratio=0. 4：對於准確度要求高的匹配； ratio=0. 6：對於匹配點數目要求比較多的匹配； ratio=0. 5：一般情況下。 三、常見的SIFT匹配代碼 1、vlfeat中sift toolbox中的vl_ubcmatch.c使用的是普通的歐氏距離進行匹配（該SIFT代碼貢獻自Andrea Vedaldi）。 2、Lowe的C++代碼中使用的是歐氏距離，但是在matlab代碼中為了加速計算，使用的是向量夾角來近似歐氏距離：先將128維SIFT特徵向量歸一化為單位向量（每個數除以平方和的平方根），然後點乘來得到向量夾角的餘弦值，最後利用反餘弦（acos函數）求取向量夾角。實驗證明Lowe的辦法正確率和耗時都很不錯。 同樣，也可以採用knnsearch函數求最近點和次近點：knnsearch採用euclidean距離時得到的結果與lowe採用的近似方法結果幾乎一致，正好印證了模擬歐氏距離的效果。 3、Rob Hess的OpenSIFT採用了KDTREE來對匹配進行優化。 4、CSDN大神v_JULY_v實現了KDTREE+BBF對SIFT匹配的優化和消除錯誤匹配：從K近鄰演算法、距離度量談到KD樹、SIFT+BBF演算法 - 結構之法 演算法之道 - 博客頻道 - CSDN.NET。 5、OpenCV中features2d實現的SIFT匹配有多種matcher：VectorDescriptorMatcher，BFMatcher（Brute-force descriptor matcher），FernDescriptorMatcher，OneWayDescriptorMatcher，FlannBasedMatcher 等等。目前只知道採用knnsearch，提供了多種距離度量方式，具體區別不懂。