李丽的博客

文章来自：http://blog.youkuaiyun.com/abcjennifer/article/details/7639681/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

DOG（Difference of Guassian）：简称  高斯函数的差分，是灰度图像增强和角点检测的一种方法。                （一）理论基础：       下面详细介绍DOG的角点检测（也称特征点提取）的理论过程：  首先，通过将目标图像与高斯函数进行卷积运算得到一幅目标图像的低通滤波结果，此过程称为去燥。（注：这里的Gaussian和高斯低通滤波器的高斯是一

目录(?)[-]尺度不变特征变换匹配算法详解 Scale Invariant Feature TransformSIFT Just For Funzdd  zddmailgmailcomSIFT综述高斯模糊1二维高斯函数2 图像的二维高斯模糊3分离高斯模糊1 尺度空间理论2 尺度空间的表示3 高斯金字塔的构建尺度空间在实现时使用高斯金字塔表示高斯金字塔的构建分为两部分对图像做不同尺度的高斯

(一)特征检测算法的综述          计算机视觉理论中的特征描述是常见的目标分析技术之一，关键点的检测和关键点的提取是目标分析的重要手段和重要步骤之一。局部图像特征描述的核心问题是不变性和可分析性，不变性是基于特征描述对于视角变化的不变性、尺度变化的不变性以及旋转变化的不变性，可分性是基于图像的局部内容的可分性。但是，在实际应用中，不变性和可分性是相互矛盾的。OprnCv中有许多特征检测

背景引言计算机视觉中，引入尺度不变的特征，主要的思想是每个检测到的特征点都伴随着对应的尺寸因子。当我们想匹配不同图像时，经常会遇到图像尺度不同的问题，不同图像中特征点的距离变得不同，物体变成不同的尺寸，如果我们通过修正特征点的大小，就会造成强度不匹配。为了解决这个问题，提出一个尺度不变的SURF特征检测，在计算特征点的时候把尺度因素加入之中。SURF与SIFT算法相似，SIFT算法比较稳定