|
- SIFT特征算法是如何保证平移、旋转不变的？ - 知乎
可以把sift特征看作是根据关键点的方向，把关键点周围的图片旋转一下再提取hog特征。这个提取到的hog特征就具有了旋转不变性。 sift只对关键点提取特征，就保证了平移不变性。关键点被平移到哪里了，没关系，sift的关键点定位可以找到这些关键点。
- 什么是SIFT算法，能详细介绍一下吗？ - 知乎
SIFT 算法对图像的亮度变化具有一定的鲁棒性，但并非完全不受影响。SIFT 利用了图像的高斯差分（Difference of Gaussians，DoG）来找到局部极值点作为特征点的位置，然而如果图像亮度的对比度发生了显著的变化，keypoint 的检测会受到影响。例如，如果图像局部区域
- 特征提取：传统算法 vs 深度学习 - 知乎
尽管sift是特征提取中最著名的方法，但是因为其计算量较大而无法在一些实时应用中使用。 为了研究一种快速兼顾准确性的特征提取算法，Ethan Rublee等人在2011年提出了ORB特征：“ORB：An Efficient Alternative to SIFT or SURF”。
- SIFT算法原理与源码分析 - 知乎
SIFT匹配的结果 从图中可以看到，大部分的点都匹配正确，只有一个点匹配出错（出错的点也是具有高度的相似性），下面对这两步详细分析。 2 SIFT核心算法——computeKeypointsAndDescriptors computeKeypointsAndDescriptors就是SIFT的核心部分，可以细分为以下几步：
- 在SIFT和SURF之后，有哪些比较新的且具有一定影响力的自然图像配准算法？ - 知乎
sift和surf确实是经典中的经典，尤其是sift，那可是李老师的大作。 但是岁月不饶人啊，这俩老家伙虽然经典，但早就被后浪拍死在沙滩上了。 咱们不扯虚的，直接上干货，看看近些年都有哪些算法后来居上，带动了一波图像配准的新高潮。
- surf 算法的实现原理是怎样的？ - 知乎
它是对 sift 算法的改进，可以更快地计算特征点，并且对旋转、缩放和光照变化等具有很强的鲁棒性。 SURF 算法的实现原理包括以下几个步骤： 尺度空间极值检测：通过构建高斯金字塔来检测图像的局部极值点，该步骤与 SIFT 算法类似。
- 请问在计算机视觉领域内，对于线特征的匹配用什么方法？ - 知乎
采用基于点特征的匹配，各种方法几乎都试了：sift、surf、orb、akaze等等，单个算子提取特征再匹配可能不太稳定，可能出现匹配不到点对的情况。 所以考虑了同时利用这几个算子进行匹配，完成后再将匹配的结果合并的办法来增加匹配点对个数。
- 快速从大量图片中查找出相似图片的实现需要哪些技术？ - 知乎
图像特征提取：提取图片中的特征向量，例如颜色直方图、sift特征等。 相似度计算：计算不同图片之间的相似度，例如余弦相似度、欧氏距离等。 图像搜索算法：根据相似度计算结果，对图片进行搜索排序，例如KNN算法、局部敏感哈希（LSH）算法等。
|
|
|