图像匹配
来源:互联网 发布:手机app软件下载 编辑:程序博客网 时间:2024/05/13 02:04
图像匹配能够应用的场合非常多,如目标跟踪,检测,识别,图像拼接等,而图像匹配最核心的技术就要属角点匹配了,所谓角点匹配是指寻找两幅图像之间的特征像素点的对应关系,从而确定两幅图像的位置关系。
角点匹配可以分为以下四个步骤:
1.提取检测子:在两张待匹配的图像中寻找那些最容易识别的像素点(角点),比如纹理丰富的物体边缘点等。
2.提取描述子:对于检测出的角点,用一些数学上的特征对其进行描述,如梯度直方图,局部随机二值特征等。
检测子和描述子的常用提取方法有:sift, harris, surf, fast, agast, brisk, freak, brisk,orb等。
3.匹配:通过各个角点的描述子来判断它们在两张图像中的对应关系。常用方法如 flann
4.去外点:去除错误匹配的外点,保留正确的内点。常用方法有Ransac, GTM。
http://www.cnblogs.com/easymind223/archive/2012/10/02/2710466.html做了详细的测试。
从测试结果来看,orb检测子与surf描述子配合的效果是最好的,不过速度也是最慢的。古老的sift和surf依然好用,速度也还是那么不给力。在不考虑旋转和仿射变换的情况下,fast是很不错的选择,在小幅旋转(20度内)的情况下,fast也还是有一定的容错能力的。在旋转变化和尺度变化方面,各家武功相差不多,虽然在理论上sift支持旋转变化,不过测试中它并没有表现出明显的优势。在噪音方面,sift和orb明显强于其它算法;在亮度变化和仿射变换上,orb的鲁棒性是最好的;综合比较,orb的性价比在此次华山论剑中略胜一筹。
- 图像匹配
- 图像匹配
- 图像匹配
- 图像匹配
- 图像匹配
- 图像匹配
- 简单图像匹配
- 简单图像匹配
- 二值图像匹配
- 图像匹配资料
- 图像匹配方法浅谈
- 图像匹配方法
- 图像匹配算法sift
- 图像算法,模版匹配
- 图像相似性匹配
- 图像匹配算法
- 图像轮廓匹配
- Opencv SURF 图像匹配
- Listener简单概述
- DTD学习笔记
- 安装SEP时报Error 997:重叠I/O操作在进行中
- [LeetCode] Same Tree
- ANDROID开发之SQLite详解
- 图像匹配
- Hash Collisions (The Poisoned Message Attack) "The Story of Alice and her Boss"
- RedHat使用sudo出错
- c++ vector 释放内存
- UVa213
- Java Properties
- sgu103
- shell循环loop
- hybris学习笔记:Trail ~ Testing the DAO