Hessian-Affine extractor and the SIFT descriptor

39、图像中特征点检测与描述的快速角点检测器指南 本文详细介绍了图像处理中常见的特征点检测与角点检测技术,涵盖Harris-Affine、Hessian-Affine、SUSAN、Trajkovic-Hedley和FAST检测器的原理、特点及应用场景。通过性能对比分析,帮助读者根据实际需求选择合适的检测器,并结合机器学习、非最大值抑制等方法优化检测效果。同时,通过目标跟踪和图像拼接等实际案例,展示了这些检测器在实际应用中的流程和优势。文章旨在为图像处理和计算机视觉领域的研究与应用提供系统的技术指南。 阅读详情

前情提要:在利用著名图像检索库yael测试vlad和fisher vector算法时发现使用INRIA实验室提供的提取好的holidays 数据集和对应的特征点能够达到论文中说的精度。但是当利用Opencv提取的sift特征点进行测试,发现效果很差。经过分析发现,opencv提取的sift特征点和siftgeo中的特征点数据类型不同。所以选择采用和INRIA实验室相同的方法来提取特征。

脚本如下:

 10 infile=test.jpg
 11 tmpfile=${infile/jpg/pgm}
 12 outfile=${infile/jpg/siftgeo}
 13 
 14 #Rescaling and intensity normalization
 15 cmd_pgm_1=$(echo djpeg $infile)
 16 cmd_pgm_2=$(echo ppmtopgm)
 17 cmd_pgm_3=$(echo pnmnorm -bpercent=0.01 -wpercent=0.01 -maxexpand=400)
 18 cmd_pgm_4=$(echo pamscale -pixels $[1024*768])
 19 
 20 echo "time $cmd_pgm_1 |$cmd_pgm_2|$cmd_pgm_3|$cmd_pgm_4>$tmpfile"
 21 
 22 time $cmd_pgm_1|$cmd_pgm_2|$cmd_pgm_3|$cmd_pgm_4>$tmpfile
 23 
 24 #Compute descriptors
 25 CMD_PATH=/superdb/jl/extract_sift
 26 COMPUTE_DESCRIPTORS_CMD=compute_descriptors
 27 cmd_compute=$(echo time \
 28               ${CMD_PATH}/${COMPUTE_DESCRIPTORS_CMD}\
 29               -i $tmpfile\
 30               -o4 $outfile\
 31               -hesaff\
 32               -sift)
 33 
 34 echo $cmd_compute
 35 $cmd_compute

结果如下:
这里写图片描述

下面来说一下具体的配置过程和使用方法:
1、http://lear.inrialpes.fr/~jegou/data.php 打开该网页下载具体的提取compute_descriptors可行性程序。由于我的是ubuntu系统我下载的是这个:
这里写图片描述
注意:这里下载这个新版本后面就不需要安装ImageMagick了。
2、下载djpeg 并且安装
http://libjpeg.sourceforge.net/
安装步骤:
./configure
make
sudo make install
注意这里可能会遇到 ./configure: /bin/sh^M: bad interpreter: No such file or directory 问题
解决方法如下: vim configure :set fileformat=unix

3、下载和安装netpbm
https://sourceforge.net/projects/netpbm/files/archive_of_old_release_system/
这里可以下载不同的版本。
安装步骤:
cd $netpbm
mkdir netpbmbuild #这是为了保护源代码的干净,名字随你便
cd netpbmbuild
../configure
make
make package
cd ..
installnetpbm
注意:
(1)在../configure时候要根据提示指定lbjpeg的路劲
(2)如果make的时候出现我make的时候
报这个错误,libpm.c:25:21: fatal error: compile.h: No such file or directory include “compile.h”是因为前面的文件没有权限因此没能生成compile.h。仔细阅读错误提示。
全部安装完以后就会在/usr/local/netpbm下生成一下bin lib等文件。这时候要配置一下系统环境变量我是在.bashrc文件下配置的。

export PATH=$PATH:/usr/local/netpbm/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/netpbm/lib

配置完成以后注意如果运行上面的脚本出现symbol link error等情况,可能是和系统中自带的netpbm中的命令冲突,我这里把/usr/bin下面的冲突命令删除了。也可以在脚本中显示的指明用的是哪个命令。

多尺度hessian滤波器图像增强 多尺度hessian滤波器,图像增强,参考frangi的论文 立即下载

相关推荐

Affine-shift(2011年新版sift特征点)

Affine SIFT 比SIFT匹配算法的精度到好多倍

方案九 闲鱼 hessian-affine 特征点检测 + sift 描述子

数据集准备: 1.图片库:取线上1000个视频,对每个视频每隔1秒抽一张视频帧图片,作为总图片库。 2.待查询图片:定义7种图片变换方式:旋转、拉伸、调整亮度、裁剪、加字幕、无处理,每种变换生成100个样本。每个样本的生成方式为:从1000个视频里随机选取一个视频,并从所有图片帧里随机取一帧。这样总共得到700个待查询图片。 局部特征提取包含两部分内容:特征点检测和特征点描述。 3.2.1...

TigerZ*的博客 3001

Asift(affine sift)抗相机视角变换的sift算子的pdf

是一个非常优秀的 提供了开源代码的抗sift算子的方法 它的作者之一是俞国申 感谢 这个方法对于rigid物体 平面的物体 可以抵抗因为相机的变化而带来的sift算子匹配变少的问题 实验证明此方法比目前流行的MSER等方法要好很多

Harris角点检测算子、Hessian矩阵、Harris-Laplace、Hessian-Laplace、Harris-Affine、Hessian-Affine

分为:一类:角点检测算子二类:不变特征检测算子三类:仿射不变特征检测算子一类:角点检测算子 主要包括Harris角点检测、DollarSTIP点检测;二类:不变特征检测算子目前出现的各种尺度不变特征点检测方法都是在图像三维尺度空(x,y,sigma)中定义某个度量,通过搜寻该度量的局部极值来获得尺度不变特征;其主要区别在于度量函数即用于建立空间尺度表达的规格化微分函数不同。目前使用的较多的尺度不变...

mrljw的博客 5591

Affine SIFT

This algorithm comes from author's project homepage and is patented. So use this algorithm carefully when you wish to utilize for commercial purposes. Good luck.

GK2302量产工具下载方法,GK2302开卡教程,GK2301LT怎么开卡方法,附GK2302开卡工具,GK2301LT量产软件下载

​每种量产软件的操作流程可能略有不同,因此必须按照要求操作。为确保安全,建议使用量产部落网下载的原版量产开卡软件。

A520091000的博客 2123

OpenCV-Python实践之ASIFT框架仿射特征匹配算法

Affine-SIFT仿射特征匹配算法简介 图像之间经过较大视差的匹配任务在于解决局部仿射不变特征的提取与描述,目前Harris/Hessian-Affine与MSER局部不变特征提取主要策略是采用拟合椭圆归一化方式。关于Harris-Affine与MSER-Affine算法都是首先提取尺度不变或区域中心(角、斑)点,然后归一化收敛到仿射变形6个参数估计,并不是完全的仿射估计方式,具体原理可以参考...

AutoXTruck专栏 5963

CentOS 7下kkFileView 4.4.0离线部署全攻略(含LibreOffice 7.5配置避坑指南)

本文详细介绍了在CentOS 7环境下离线部署kkFileView 4.4.0的全流程,包括LibreOffice 7.5的配置避坑指南、中文字体解决方案以及企业级运维实践。通过本指南,用户可以在内网环境中快速搭建稳定可靠的文档在线预览服务,提升办公效率。

weixin_28481133的博客 288

Hessian Affine 检测器与 SIFT 描述符教程

Hessian Affine 检测器与 SIFT 描述符教程 项目介绍 Hessian Affine 检测器是一个实现 Hessian-Affine 局部特征检测器的开源项目。该项目使用 Lowe's (Lowe 1999, Lowe 2004) 类似的金字塔来采样高斯尺度空间,并结合 SIFT 描述符进行特征描述。Hessian Affine 检测器在图像处理和计算机视觉领域有广泛的应用,特别是...

gitblog_00430的博客 776

word2vector入门教程

摘要: 网上已经有许多对w2v的介绍了,这里只是做一个简单的概括。下面这篇文章我认为是关于W2V写的比较好的文章,读者有兴趣可以先参考一下: w2v参考文章1 另外一篇是关于Skip-Gram和CBow的介绍。 Skip-Gram&CBOW 逻辑比较清晰的综述文章: 综述文章 数学原理很清晰很短的一篇文章(也有关于负采样的简单说明) 参考文章 1.什么

SCUT_Sam 1万+

PCIE配置和地址空间

来源:https://www.jianshu.com/p/574e9a2cbc4e 每个PCIe设备,有这么一段空间,Host软件可以读取它获得该设备的一些信息,也可以通过它来配置该设备,这段空间就叫做PCIe的配置空间。不同于每个设备的其它空间,PCIe设备的配置空间是协议规定好的,哪个地方放什么内容,都是有定义的。PCI或者PCI-X时代就有配置空间的概念,那时的配置空间如下: 图6.1 整个配置空间就是一系列寄存器的集合,其中Type 0是Endpoint的配置,Type 1是Brid.

qq_28643619的博客 4059

Hessian Affine特征检测器与SIFT描述符安装与使用指南

Hessian Affine特征检测器与SIFT描述符安装与使用指南 本指南将引导您了解并使用在GitHub上找到的名为perdoch/hesaff的开源项目。这个项目实现了一个结合了Hessian Affine特征检测器和SIFT(尺度不变特征变换)描述符的算法,广泛应用于计算机视觉中对象的识别和检索。 1. 目录结构及介绍 该项目遵循了一定的组织结构来管理其源代码和资源: hesaff/ ├─...

gitblog_00090的博客 362

第10集:AIOps 平台架构设计!画出面试官最想看的系统全景图

本文介绍了如何将AIOps平台的六大功能模块整合为四层架构设计,并生成专业系统全景图。文章首先指出面试中架构设计能力的重要性,强调一张清晰的架构图能直观展现全局观。随后指导读者检查项目结构,准备绘图环境。核心部分详细拆解了四层架构:数据采集层(Prometheus、ELK等)、AI分析层(巡检、告警、预测等)、决策执行层(工作流引擎、自愈Agent)和展示交互层(API、控制台)。通过Python代码自动生成模块依赖关系图,并提供了面试讲解技巧。全文旨在帮助开发者在面试中系统性地展示项目架构设计能力。

qq_2937655951的博客 92

【转帖】局部算子

 1.局部算子分类:1)基于分布的算子:使用直方图表现不同的外观或形状特2)空间频率技术:傅立叶变换和盖伯变换3)微分算子:2.局部特征建立依赖的空间1)归一化的Laplacian尺度空间  2)  Difference of Gaussian3. 局部区域检测算法1)Harris points    旋转不变量 特征点周围41×41像素区域 大小固定2)Har

willpower_lsc的专栏 992

【图像拼接】源码精读:Parallax-Tolerant Unsupervised Deep Image Stitching(UDIS++)

注:Pytorch代码。【图像拼接论文精读】专栏对应文章【图像拼接】论文精读:Parallax-Tolerant Unsupervised Deep Image Stitching(UDIS++)配合对应的文章阅读,效果更佳!注:请重点关注代码段中的注释!!!有一些讲解的东西直接写在代码段的注释中了,同时多关注红色字体和绿色字体!!!我认为深度学习方法和传统方法有很多相似之处。比如:深度学习中的损失函数和传统方法中的对齐项、失真项等其实原理相同,只是求解方式不同。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 7272

TC3XX - MCAL知识点(十一):WDG EB-tresos配置说明与代码浅析

在AUTOSAR中,看门狗栈实现了三种监控机制:实时监控:用于周期软件的定时监控期限监督:针对非周期软件逻辑监督:用于监督执行顺序的正确性看门狗(WDG)驱动实现AUTOSAR(4.2.2)中规定的看门狗SWS,提供初始化、改变操作模式和设置触发条件(超时)等服务,供看门狗硬件(WDT)用户使用。WDG驱动的用户包括:模式管理模块(用于初始化),WdgM通过Wdglf设置触发条件和驱动运行模式设置。WdgM实施上述监督机制。AUTOSAR扩展触发概念,以支持窗口看门狗模式。

梦想技术家 3601

局部特征算子简述

1.局部算子分类:                  来自网络“天若有情”1)基于分布的算子:使用直方图表现不同的外观或形状特2)空间频率技术:傅立叶变换和盖伯变换3)微分算子:2.局部特征建立依赖的空间1)归一化的Laplacian尺度空间  2)  Difference of Gaussian3. 局部区域检测算法1)Harris points    旋转不变量

daiyuchao的专栏 6341

基于DINO自监督学习对YOLO11 Backbone进行预训练

这PoolHead将获取前一层的输出并应用卷积,然后应用自适应平均池化以将特征图的空间维度减小为固定且一致的大小(1x1)。这是必需的,因为否则空间维度会根据输入的大小而变化,这将使将 DINO 头部附加到主干变得困难,因为它需要固定的输入大小。在本指南中,我们将介绍如何使用 Lightly 使用 DINO 预训练 YOLO 11主干,以及如何将其重新加载到 Ultralytics 中进行微调。您可以使用不同的大小,例如,640这与 YOLO 中的默认图像大小更一致,但它也会在训练期间消耗更多 VRAM。

如果想成为中心,那么就到中心去吧。 1014

SIFT 描述子

尺度不变特征转换(SIFT, Scale Invariant Feature Transform)是图像处理领域中的一种局部特征描述算法. 该方法于1999年由加拿大教授David G.Lowe提出,申请了专利,其专利属于英属哥伦比亚大学. SIFT专利在2020年3月17日之后到期,现在只需更新cv版本即可免费使用. SIFT算法不仅只有尺度不变性,当旋转图像,改变图像亮度,移动拍摄位置时,仍可得到较好的检测效果. 其实,在我们生活中,SIFT算法还是有所应用的,比如,我们手机上的全景拍摄,当我们拿着

人无远虑,必有近忧 2717

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

【特征检测】LIOP特征描述算法

LIOP特征描述算法,是2011年ICCV上一片paper《Local Intensity Order Pattern for Feature Description》中提出的一种特征描述算法。

hujingshuang 6395

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

SIFT特征提取与匹配

opencv下SIFT特征点的提取与匹配SIFT:尺度不变特征转换,是一种电脑视觉的算法用来侦测与描述影像中的局部特征。SIFT是基于图像外观的兴趣点而与图像的大小旋转无关,对于噪声、光线、微观的视角容忍度也极高。SIFT介绍Lowe将SIFT算法分解为四步: 尺度空间极值检测:搜索所有尺度上的图像位置。通过高斯微分函数识别潜在的对于尺度旋转不变的兴趣点。 关键点定位:每个候选位置上,通过一个拟合精

Kerer的博客 5815

图像特征描述子(二)——SIFT、SURF

本文主要参考文章:1.https://zhuanlan.zhihu.com/p/70385018 2.https://blog.youkuaiyun.com/zhou4411781/article/details/100713402 3.https://blog.youkuaiyun.com/dcrmg/article/details/52577555 ...

u013972657的博客 4675

自研的一些SIFT可视化相关的东西

东西有点小众,就不说废话直接代码了 参考c++代码块: //! type of line enum LineTypes { FILLED = -1, LINE_4 = 4, //!< 4-connected line LINE_8 = 8, //!< 8-connected line LINE_AA = 16 //!< antialiased line }; const int draw_shift_bits = 4; const int dr

baidu_40840693的博客 582

灰度重采样的方法分为_学术 | 倾斜航摄影像匹配方法探究

摘要 影像匹配是数字摄影测量与计算机视觉的关键技术之一,尽管基于灰度和基于特征的影像匹配方法较好地解决了常规航摄影像的匹配问题,但就倾斜航摄影像而言,目前并不存在一种普适性的影像匹配方法。首先分析了倾斜航摄影像匹配困难的成因,然后比较了几种常用的倾斜航摄影像匹配方法,最后提出了一种基于图匹配的倾斜航摄影像匹配构想,希望对倾斜航摄影像的高效、高精度和高可靠性匹配能有所裨益。关键...

weixin_39655377的博客 516
上一篇: cannot import name multivariate_normal
下一篇: faster-rcnn 封装
RunningJ
博客等级 码龄11年 9粉丝 37原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值