Computer Vision_33_SIFT：Robust scale-invariant feature matching for remote sensing image registratio...

最新推荐文章于 2024-04-17 23:07:54 发布
原创 最新推荐文章于 2024-04-17 23:07:54 发布 · 619 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

此部分是计算机视觉部分，主要侧重在底层特征提取，视频分析，跟踪，目标检测和识别方面等方面。对于自己不太熟悉的领域比如摄像机标定和立体视觉，仅仅列出上google上引用次数比较多的文献。有一些刚刚出版的文章，个人非常喜欢，也列出来了。

33. SIFT
关于SIFT，实在不需要介绍太多，一万多次的引用已经说明问题了。SURF和PCA-SIFT也是属于这个系列。后面列出了几篇跟SIFT有关的问题。
[1999 ICCV] Object recognition from local scale-invariant features
[2000 IJCV] Evaluation of Interest Point Detectors
[2006 CVIU] Speeded-Up Robust Features (SURF)
[2004 CVPR] PCA-SIFT A More Distinctive Representation for Local Image Descriptors
[2004 IJCV] Distinctive Image Features from Scale-Invariant Keypoints

最低0.47元/天 解锁文章
AllisWell_WP
关注
【图像拼接（Image Stitching）】关于【图像拼接论文精读】专栏的相关说明，包含专栏使用方法、阅读顺序、创新思路、文章汇总、源码汇总、数据集汇总等。总之，【图像拼接论文相关】看这一篇就够了
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】
11-30 4万+
为什么会有这篇文章？因为专栏简介里写不下太多东西，只能通过这篇文章和大家交流，算是一个专栏阅读指南吧。说点心里话本来吧，我只想用优快云来记录自己学习【图像拼接】领域论文的过程，对每篇文章有个细致的理解，方便自己反复查阅。设置为付费也是因为涉及论文和本人其他项目需要，防止查重和其他问题，所以价格最开始设置的是专栏付费价格里最高的。起初，确实没有人看，一切也都平淡地度过着。
HOPC（Histogram of Orientated Phase Congruency）
qq_32425195的博客
01-12 4604
对应文章：Robust Registration of Multimodal RemoteSensing Images Based on Structural Similarity（ＴＧＡＳ） 过程：获得相位信息；提取相位的方向特征； Introduction: SSD(sum of squared differences):尽管计算快，但是不鲁棒quite sensitive to radiometric changes despite its high computational efficie.
论文阅读笔记《Robust Feature Matching for Remote Sensing Image Registration via Locally Linear Transformin》
深视
11-17 1179
特征匹配文章《Robust Feature Matching for Remote Sensing Image Registration via Locally Linear Transforming》最新解读
《Multi-Temporal Remote Sensing Image Registration Using Deep Convolutional Features》一点笔记
weixin_41665225的博客
03-10 1633
试图理解这篇文章，写个笔记。 SOLUTION FRAMEWORK 该算法的目标是将感知到的图像IyI_yIy​进行变换，使其与参考图像IxI_xIx​对齐。我们从参考图像中检测一个特征点集XXX，从感知图像中检测一个特征点集YYY。接下来我们使用基于期望最大化(EM)的过程来获得变换后的YYY的位置，即ZZZ。然后使用YYY和ZZZ来求解用于图像变换的薄板样条插值(TPS)。我们的方法的主要过程显示在论文的图一中。 相关符号： XN×2X_{N \times 2}XN×2​,YM×2Y_{M \time
Multi-Temporal Remote Sensing Image Registration Using Deep Convolutional Features
paopaovae的博客
04-26 3301
ABSTRACT 多时相遥感图像被广泛应用于军事和民用领域，比如地面目标识别、城市发展评估以及地理变化评估。地面变化对特征点在数量和质量上的检测具有一定的挑战，这是基于特征点检测的配准算法所面临的常见的困难。在严峻的外观变化下，检测到的特征点可能包含大量的外点，而内点可能也分布不适当且不均匀。本文提出了一种基于卷积神经网络（CNN）特征的多时相遥感图像配准方法，两个关键的贡献如下：(1)我...
CoFSM基于共现尺度空间的多模态遥感图像匹配方法--论文阅读记录
weixin_54010759的博客
04-17 1021
除了论文中提出的经典的尺度空间构造等细节，下图关于base_image的创建也是值得注意的，根据3.3 Frequency of sampling in the spatial domain第二段，有时候可以对输入图片进行长宽扩大一倍达到增大等效第一层的尺度sigma的效果（因为sigma越大卷积耗时越久）Distinctive Image Features from Scale-Invariant Keypoints，作者：David G. Lowe。另外，特征匹配阶段的最近邻次近邻比也值得注意，
Computer Vision_33_SIFT：LIFT: Learned Invariant Feature Transform——2016
Alliswell_WP
11-06 565
此部分是计算机视觉部分，主要侧重在底层特征提取，视频分析，跟踪，目标检测和识别方面等方面。对于自己不太熟悉的领域比如摄像机标定和立体视觉，仅仅列出上google上引用次数比较多的文献。有一些刚刚出版的文章，个人非常喜欢，也列出来了。 33. SIFT关于SIFT，实在不需要介绍太多，一万多次的引用已经说明问题了。SURF和PCA-SIFT也是属于这个系列。后面列出了几篇跟SIFT有关的问...
Image Processing and Computer Vision_Review：Local Invariant Feature Detectors: A Survey——2007.11...
Alliswell_WP
09-11 3158
翻译 局部不变特征探测器：一项调查 摘要 -在本次调查中，我们概述了不变兴趣点探测器，它们如何随着时间的推移而发展，它们如何工作，以及它们各自的优点和缺点。我们首先定义理想局部特征检测器的属性。接下来是对过去四十年中根据不同类别的特征提取方法组织的文献的概述。然后，我们对选择的方法进行更详细的分析，这些方法对研究领域产生了特别重大的影响。最后总结并展望未来的研究方向。 ...
论文阅读 《Multimodal Remote Sensing Image Registration Based on Image Transfer and Local Features》
weixin_42197601的博客
03-31 1548
该文章是一篇遥感图像融合的文章，但在图片的预处理中，使用风格迁移的方法对图片进行了处理，使得使用经典的SIFT方法进行图像配准拼接时能够找到更多对应特征，从而实现更好地融合效果。 1.Motivation 多模态遥感图像的自动配准是一个具有挑战性的问题，包括其中包括光学、光探测与测距、合成孔径雷达图像等多种图像之间的配准问题。由于成像原理的不同，这些图像在局部区域的灰度值、纹理和景观特征也不同。这...
SAR-algorithm
03-19
sar-web
Uniform SAR-SIFT算法文章
11-02
2016年提出的Uniform SAR-SIFT算法，作SAR图像方面的可以看看。
Computer Vision_33_SIFT：Fast Adaptive Bilateral Filtering——2018
Alliswell_WP
11-06 661
此部分是计算机视觉部分，主要侧重在底层特征提取，视频分析，跟踪，目标检测和识别方面等方面。对于自己不太熟悉的领域比如摄像机标定和立体视觉，仅仅列出上google上引用次数比较多的文献。有一些刚刚出版的文章，个人非常喜欢，也列出来了。 33. SIFT关于SIFT，实在不需要介绍太多，一万多次的引用已经说明问题了。SURF和PCA-SIFT也是属于这个系列。后面列出了几篇跟SIFT有关的问...
傅里叶变换—庖丁解牛
Alliswell_WP
08-10 167
参考知乎文章： 傅里叶分析之掐死教程（完整版）更新于2014.06.06 频域分析时域函数的多个不同的数学变换被称为“频域”方法。 这些是最常见的变换及其应用： 傅里叶级数- 重复信号，振荡系统 傅立叶变换- 非重现信号，瞬变 拉普拉斯变换- 电子电路和控制系统 Z变换- 离散信号，数字信号处理 小波变换- 图像分析，数据压缩 上述变换可以被解释为捕获某种...
Computer Vision_33_SIFT：An Improved RANSAC based on the Scale Variation Homogeneity——2016
Alliswell_WP
11-06 430
此部分是计算机视觉部分，主要侧重在底层特征提取，视频分析，跟踪，目标检测和识别方面等方面。对于自己不太熟悉的领域比如摄像机标定和立体视觉，仅仅列出上google上引用次数比较多的文献。有一些刚刚出版的文章，个人非常喜欢，也列出来了。 33. SIFT关于SIFT，实在不需要介绍太多，一万多次的引用已经说明问题了。SURF和PCA-SIFT也是属于这个系列。后面列出了几篇跟SIFT有关的问...
图像sift配准后融合
weixin_30682127的博客
04-19 663
image rectification 图像校正 在配准时，先找到特征点，找到特征点后剔除伪匹配点。 然后针对两幅图像做几何矫正(一般通过估计出来的仿射矩阵完成)。这部完成后，图像可以匹配了，但是两幅图像的拍摄条件和光照不一致。 找到合适的权重将两幅图像融合这个问题就比较难了。 显然平均融合应该不理想。目前融合技术还是分为空域和变换域两大类。可根据自己的图片特征选取一种。 1.主要有...
代码 马佳义_武汉大学电子信息学院
weixin_39642619的博客
12-21 1764
在CVPR、ICCV、ECCV、IJCAI、AAAI、ACM MM、ICRA、IROS、IJCV、IEEE TPAMI、IEEE TIP、IEEE TSP、IEEE TCI、IEEE TNNLS、IEEE TIE、IEEE TGRS、IEEE TCSVT、IEEE TCYB、IEEE TMM、PR、Inf Fus等重要国际学术会议和期刊上发表学术论文140余篇，其中SCI检索100余篇，中科院一区...
通用的多模态图像匹配框架和工业级应用（具有专利权，提供程序下载）
yeyuanxin的博客
11-20 5109
通用的多模态图像匹配框架（已实现产业级应用，具有专利权，提供程序下载）@TOC 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 全新的界面设计 ，将会带来全新的写作体验； 在创作中心设置你喜爱的代码
Fast and Robust Matching for Multimodal Remote Sensing Image Registration (CFOG)
qq_32425195的博客
02-21 2990
1.HOG算法的步骤 首先：得到一个block的梯度分布直方图：2*2*9=36，即横轴为1-36，其中1-9表示第一个cell的梯度分布直方图，以此类推 1.将template window根据stride分为block,然后将每个block分为2*2的cell 2.在每个cell中，获取梯度的方向，进一步得到梯度方向分布直方图 然后，使用stride=1/2 block来获得整张图的梯度分布直方图 参考：https://www.cnblogs.com/hichens/p/12203071.
多模态影像匹配及配准
qq_37770754的博客
06-05 2715
多模态影像匹配及配准
Scale-Invariant Feature Transform
最新发布
10-05
Scale-Invariant Feature Transform（SIFT，尺度不变特征变换）是一种用于图像处理和计算机视觉中的关键点检测和描述的算法，由David Lowe在1999年提出，并在2004年进一步改进。其主要特点是对尺度和旋转的不变性，在图像匹配、目标识别和3D重建等领域非常流行[^3]。 SIFT算法的原理基于从尺度不变的关键点中提取关键点并计算其描述符。该算法主要包括以下步骤： 1. **尺度空间极值检测**：通过构建尺度空间，也就是在不同尺度下观察图像来检测关键点。尺度空间是通过高斯模糊和下采样原始图像构建的[^3]。 2. **关键点定位**：在尺度空间中，通过比较每个像素点与其邻域内的点（包括不同尺度和方向）来确定关键点的位置[^3]。 3. **方向赋值**：为每个关键点分配一个主方向，通常是通过计算关键点邻域内的梯度方向直方图来实现[^3]。 4. **关键点描述**：生成关键点的描述符，通常是一个向量，包含了关键点周围区域的梯度信息。这个描述符对图像的尺度、旋转和亮度变化具有鲁棒性[^3]。 5. **匹配**：使用关键点的描述符来匹配不同图像中的关键点，从而实现图像之间的对应关系[^3]。 SIFT算法在多个领域有广泛应用： - **图像匹配**：能够在不同尺度、旋转和光照条件下准确匹配图像中的关键点，因此可用于图像拼接、图像检索等任务。 - **目标识别**：可提取目标的特征，用于识别图像中的特定目标。 - **3D重建**：通过匹配不同视角下的图像关键点，可实现三维场景的重建。 以下是使用Python和OpenCV库实现SIFT算法的简单代码示例： ```python import cv2 # 读取图像 image = cv2.imread('your_image.jpg') gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 创建SIFT对象 sift = cv2.SIFT_create() # 检测关键点并计算描述符 keypoints, descriptors = sift.detectAndCompute(gray, None) # 在图像上绘制关键点 image_with_keypoints = cv2.drawKeypoints(image, keypoints, None, color=(0, 255, 0)) # 显示结果 cv2.imshow('Image with Keypoints', image_with_keypoints) cv2.waitKey(0) cv2.destroyAllWindows() ```
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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