SURF(Speeded Up Robust Features)算法原理

最新推荐文章于 2025-07-21 09:17:06 发布
原创 最新推荐文章于 2025-07-21 09:17:06 发布 · 1.6w 阅读 · 58 ·
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。

本文介绍了SURF算法，它是SIFT算法的改进版，着重提升了运算速度。文章从预备知识如积分图像和Hessian矩阵探测器开始，详细阐述了SURF的构建Hessian矩阵、尺度空间、特征点定位、主方向确定以及描述子生成等关键步骤，旨在为初学者提供清晰的学习指南。

1.前言与预备知识

1.1前言

Surf算法是对Sift算法的一种改进，主要是在算法的执行效率上，比Sift算法来讲运行更快！由于我也是初学者，刚刚才开始研究这个算法，然而网上对于Surf算法的资料又尤为极少，稍微介绍的明白一点的还是英文。所以在此想借这个机会把我所理解的部分介绍一下，对于后面准备学习Surf算法的朋友来说，希望有一点点的帮助！
1.2预备知识

  • 积分图像
积分图像的概念是由Viola和Jones提出的。积分图像中任意一点（i，j）的值为原图像左上角到任意点（i，j）相应的对焦区域的灰度值的总和，其数学公式如图所示:
 

那么，当我们想要计算图片一个区域的积分，就只需计算这个区域的四个顶点在积分图像里的值，便可以通过2步加法和2步减法计算得出，其数学公式如下：
         
  • Hession矩阵探测器
对于斑点检测：
斑点：与周围有着颜色和灰度差别的区域。
在一个一维信号中，让它和高斯二阶导数进行卷积，也就是拉普拉斯变换，那么在信号的边缘处就会出现过零
最低0.47元/天 解锁文章

200万优质内容无限畅学
OpenCV中的SURF（Speeded-Up Robust Features 加速鲁棒特征）
qq_40985985的博客
07-31 2611
上一篇博客介绍了用于关键点检测和描述的SIFT，但它相对较慢。这篇博客将介绍其优化版本——SURF（Speeded-Up Robust Features 加速鲁棒特征），它是加速版的SIFT。
SURF Speeded Up Robust Features
10-28
SURF算法的经典原文，SURF (Speeded Up Robust Features)也是一种类似于SIFT的兴趣点检测及描述子算法。其通过Hessian矩阵的行列式来确定兴趣点位置，再根据兴趣点邻域点的Haar小波响应来确定描述子，其描述子大小只有64维（也可以扩展到128维，效果更好），是一种非常优秀的兴趣点检测算法。我的博客里面有SURF的算法详解，欢迎相互交流>_<
图像配准技术：SIFT算法详解与应用
最新发布
weixin_42608318的博客
07-21 1550
尺度不变特征变换（Scale-Invariant Feature Transform, SIFT）算法是由David Lowe在1999年提出的，旨在实现对图像中具有尺度不变性的特征点的提取。SIFT算法的发展历程中，经历了从最早的SIFT到后来的加速鲁棒特征（SURF），以及更高效的特征检测器如ORB等。SIFT的基础是多尺度空间理论，通过对图像进行高斯模糊和差分操作，构建尺度空间，从而实现关键点的尺度不变性检测。
SURF: speed up robust feature
andkobe的专栏
07-31 2万+
SURF: speed up robust feature SURF特点： 1.使用积分图像完成图像卷积（相关）操作; 2，使用Hessian矩阵检测特征值； 3，使用基于分布的描述符（局部信息）。 兴趣点检测相关研究： 1998 Lindberg介绍自动尺度选择的概念，允许检测图像中的兴趣点在它们的特征尺度上。他实验了Hessian矩阵的行列式和Laplacian(和矩阵的迹一致
Surf: Speed up robust feature的回顾和思考
一个致力“使己成为人”的专栏
12-03 3288
一、Surf由来 SIFT算法比较稳定，检测到的特征点也比较多，但是其最大的缺点是计算复杂度较高。为此，不少学者进行了改进，其中比较出名的就是SURF算法，中文意思为快速鲁棒特征。它是瑞士苏黎世联邦理工学院Herbert Bay和比利时鲁汶大学Tinne Tuytelaars, Luc Van Gool提出的.   二、 Surf提取过程 1. 构造高斯金字塔尺度空间 2. 利用非极大
SpeededUp Robust Features SURF.pdf
11-07
SURF（Speeded-Up Robust Features）是一种在计算机视觉领域中用于特征检测和描述的算法。其目的在于提供一种更快、更具鲁棒性的方法来检测图像中的关键点，并为这些点生成描述符。这种算法在平移、旋转以及尺度变化...
OpenSURF（包括Image Warp）：SURF（Speeded Up Robust Features）图像特征点检测/匹配，如SIFT-matlab开发
06-01
描述： 这个函数 OPENSURF，是 SURF（加速鲁棒特征）的一个实现。 SURF 将检测图像中的地标点，并通过对（一点点）旋转、缩放和噪声具有鲁棒性的向量来描述这些点。 它可以以与获得专利的 SIFT（尺度不变特征变换）...
SURF: Speeded Up Robust Features
12-19
SURF: Speeded Up Robust Features
Opencv 介绍 SURF(Speeded-Up Robust Features)
Xiaoli_Coding
05-31 3005
SUFR 的基础 OpenCV 中的 SURF
5.5. SURF (Speeded-Up Robust Features)简介
04-26 408
这样做实际就是对图像进行梯度运算，但是利用积分图像，可以提高计算图像梯度的效率，为了求取主方向值，需哟啊设计一个以方向为中心，张角为 60 度的扇形滑动窗口，以步长为 0.2 弧度左右旋转这个滑动窗口，并对窗口内的图像 Haar 小波的响应值进行累加。这种最小的信息允许更快的匹配，而不会降低描述符的性能。在一个矩形的区域内，以特征点为中心，沿主方向将 20s * 20s 的图像划分成 4 * 4 个子块，每个子块利用尺寸 2s 的 Haar 小波模版进行响应计算，然后对响应值进行统计，组成向量。
SURF算法（Speeded Up Robust Features）
01-10
SURF 算法文档 英文版 Speeded Up Robust Features
Speeded-Up_Robust_Features_SURF算法全文翻译
09-14
surf算法的翻译，非常详细。对于理解surf有很大的帮助哦
Speeded-Up Robust Features(SURF)算法的原理和OpenSURF源码
12-14
内含从国外网站上下的开源C++代码（以OpenCV为基础，但不是直接调用OpenCVC里面的SURF）与原理文档，算法步骤十分明确，注释十分到位，运行环境为VS2008+OpenCV2，希望对深入学习SURF算法的同学有帮助！
SURF (Speeded Up Robust Features)
xie__jin__cheng的博客
08-02 1098
SURF (Speeded Up Robust Features)
Speeded Up Robust Features(SURF)
liugan528的博客
05-20 3395
积分图 Hessian Matrix 先对积分图进行box filter，然后进行haar-wavelet变换 求极值 得到特征点 计算特征点方向
Speeded-Up Robust Features (SURF)笔记
ABC1225741797的博客
09-23 509
@[TOC](Speeded-Up Robust Features (SURF)) Abstract Introduction Related Work 补充： 【特征匹配】SURF原理与源码解析（一） SURF算法 surf算法原理-包你明白surf过程 【CV学习5】SURF算法详解
【翻译：OpenCV-Python教程】SURF (Speeded-Up Robust Features) 介绍
【涘涘回来啦】
02-01 926
⚠️由于自己的拖延症，3.4.3翻到一半，OpenCV发布了4.0.1了正式版，所以接下来是按照4.0.1翻译的。 ⚠️除了版本之外，其他还是照旧，Introduction to SURF (Speeded-Up Robust Features)，附原文。 目标 在本章中， 我们将看到SURF的基本知识 我们将在OpenCV中看到SURF功能 理论 在上一章，我们看到了用于关键...
SURF算法解析
热门推荐
PeOS
11-20 5万+
SURF算法解析
基于MATLAB中SURF(Speeded-Up Robust Features)特征检测算法图像拼接
01-10
### MATLAB 中使用 SURF 算法进行图像拼接 #### 使用 SURF 进行特征检测和描述 为了在 MATLAB 中利用 SURF 算法完成图像拼接，首先要加载待处理的两张图片并转换成灰度模式。接着调用 `detectSURFFeatures` 来定位关键点，并通过 `extractFeatures` 提取这些位置上的局部外观特性向量。 ```matlab % 加载输入图像 I1 = imread('image1.jpg'); I2 = imread('image2.jpg'); % 转换成灰度图 grayImage1 = rgb2gray(I1); grayImage2 = rgb2gray(I2); % 检测 SURF 特征点 points1 = detectSURFFeatures(grayImage1); %^1 points2 = detectSURFFeatures(grayImage2); %^1 % 提取特征描述子 [features1, valid_points1] = extractFeatures(grayImage1, points1);%^1 [features2, valid_points2] = extractFeatures(grayImage2, points2);%^1 ``` #### 匹配特征点 一旦获得了两个图像中的特征描述子之后，则需寻找它们之间的最佳匹配关系。这里采用双向最近邻距离比率测试来挑选可靠的对应关系： ```matlab indexPairs = matchFeatures(features1, features2,'MatchThreshold',5);%^2 matchedPoints1 = valid_points1(indexPairs(:, 1), :);%^2 matchedPoints2 = valid_points2(indexPairs(:, 2), :);%^2 ``` #### 计算变换矩阵与校正视角差异 找到足够的匹配对后就可以计算出能够使源图像变形到目标图像空间内的几何映射——即单应性矩阵H。这一步骤通常借助于随机抽样一致性算法(RANSAC)以排除异常值的影响从而获得更加稳健的结果。 ```matlab [tform,inlierIdx] = estimateGeometricTransform(matchedPoints1,... matchedPoints2,'homography','MaxNumTrials',2000,... 'DistanceThreshold',4,'Confidence',99.99);%^2 inliers1 = matchedPoints1(inlierIdx,:);%^2 inliers2 = matchedPoints2(inlierIdx,:);%^2 ``` #### 执行图像拼接操作 最后一步就是根据前面求得的单应性矩阵 H 对原始图像实施仿射变换，并将两者无缝融合在一起形成最终的全景效果图。 ```matlab outputView = imref2d(size(I2));%^3 R1 = size(I1,1); C1 = size(I1,2); R2 = size(I2,1); C2 = size(I2,2); [xlim ylim] = bounds([inliers1.Location; inliers2.Location],... [size(I1,[1 2]); size(I2,[1 2])]); warpI1 = imwarp(I1,tform,'OutputView',outputView);%^3 panorama = insertImage(warpI1,I2,'Location',[xlim(1)-1 ylim(1)-1]); figure; imshowpair(I1, I2, 'montage'); title('Input Images');%^3 figure; showMatchedFeatures(I1, I2, inliers1, inliers2); title('Inlier point matches');%^3 figure; imshow(panorama); title('Panoramic Image');%^3 ```
评论 3
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