大强

摄影测量经过了模拟、解析到数字 3 个发展阶 段，而数字摄影测量由1992 年17 届华盛顿ISPRS 大 会到2012 年22 届墨尔本ISPRS 大会，经历了20 年的 发展。它大致可分为 3 个发展时期：从 1992 年到 2000 年的阿姆斯特丹大会，可谓数字摄影测量的初 期，它以航空摄影照片的“数字化器”为标志；21 世纪 的前10 年，数字摄影测量发展出了各种各样的传感 器，进入数字测

主要步骤 　　　　1)、尺度空间的生成； 　   2)、检测尺度空间极值点；　　3)、精确定位极值点；　　4)、为每个关键点指定方向参数；　　5)、关键点描述子的生成。 　　　　　　　　　　　　　 L(x,y,σ), σ= 1.6 a good tradeoff  　　　　　　　　　　　　   D(x,y,σ), σ= 1.6 a g

一、Surf描述子形成步骤         1. 构造高斯金字塔尺度空间         其实surf构造的金字塔图像与sift有很大不同，就是因为这些不同才加快了其检测的速度。Sift采用的是DOG图像，而surf采用的是Hessian矩阵行列式近似值图像。首先来看看图像中某个像素点的Hessian矩阵，如下：　　                 即每一个像素点都可以求出一个He

Harris角点检测角点：最直观的印象就是在水平、竖直两个方向上变化均较大的点，即Ix、Iy都较大边缘：仅在水平、或者仅在竖直方向有较大的变化量，即Ix和Iy只有其一较大 平坦地区：在水平、竖直方向的变化量均较小，即Ix、Iy都较小 2 strong eigenvalues======interest point1 strong eigenvalues=====

OpenCV在新版本中把很多C语言的代码都重新整理成了C++代码，让我们在使用的时候更加方便灵活。其中对于特征点的提取和匹配，充分体现了C++的强大。下面直接用例子来说明。假设我们有两幅图：1.bmp和2.bmp，要从中提取体征点并匹配，代码如下：// Load image from fileIplImage *pLeftImage = cvLoadImage("1.bmp",

使用OpenCV2进行特征匹配的步骤做了一个简单的介绍，其匹配出的结果是非常粗糙的，在这篇文章中对使用OpenCV2进行匹配的细化做一个简单的总结。主要包括以下几个内容：DescriptorMatcher DMatcher KNN匹配 计算两视图的基础矩阵F，并细化匹配结果计算两视图的单应矩阵H，并细化匹配结果DescriptorMatcher 和 DMatcher