CN108334883A - 一种基于主成分分析提取独立sift关键点的优化算法 - Google Patents
一种基于主成分分析提取独立sift关键点的优化算法 Download PDFInfo
- Publication number
- CN108334883A CN108334883A CN201810083851.5A CN201810083851A CN108334883A CN 108334883 A CN108334883 A CN 108334883A CN 201810083851 A CN201810083851 A CN 201810083851A CN 108334883 A CN108334883 A CN 108334883A
- Authority
- CN
- China
- Prior art keywords
- sift
- histogram
- value
- principal component
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于主成分分析提取独立sift关键点的优化算法,处理的步骤为:首先对由sift算法得到的sift特征点及其周围像素的直方图进行直方图匹配,使其直方图呈高斯分布。然后,使其作为pca算法的输入,则pca输出的主成份就互相独立。最后,主成份通过特征值映射到原sift特征点及其周围像素的直方图,得到的sift特征点之间互相独立,完成对sift特征点的筛选。本发明所达到的有益效果:针对由sift特征点的相似引起匹配出错的问题,本文提出了一种利用pca提取独立的sift关键点,完成对sift特征点的筛选了,使待匹配的关键点之间互相独立,减少匹配错误的概率。
Description
技术领域
本发明涉及一种基于主成分分析提取独立sift关键点的优化算法,属于图像处理技术领域。
背景技术
在图像处理中,图像特征具有重要的意义。目前,常用的图像特征有几何特征、颜色特征、纹理特征和特征点等,且这些特征已广泛的用于目标识别、运动估计等领域。提取出具有鲁棒性的图像特征,在实际应用中非常重要。尺度不变的特征点对光照、尺度、旋转、缩放等图像变换均具有很强的适应能力。特征点是图像的重要特征,相比其它图像特征,尺度不变的特征点具有旋转不变性和不随光照变化等优点。利用尺度不变特征点进行的图像处理,既不会损失图像的重要的灰度信息,同时又可以减少计算量。近年来,尺度不变的特征点提取算法以及应用,己成为图像处理领域的研究热点。
现有技术中,虽然尺度不变特征(Scale Invariant Feature Transform,sift)算法是目前比较常见且有效的特征点提取算法。它选择高斯核构造多尺度空间,并通过高斯残差在尺度空间上的选择极值点为特征点,并通过计算特征点局部邻域内的梯度方向直方图作为关键点描述子。但是,sift算法计算复杂,由于算法提取的是128维的描述子,所以降低了图像匹配和检索的速度。有人针对这一缺点提出了基于sift算法和主成份分析法(Principal Component Analysis,pca)相结合的快速匹配算法即SIFT-PCA算法,该算法的主要目标是利用PCA算法降低sift描述子的维度,以此实现描述子之间的快速匹配,但是仍然无法避免sift特征点的相似引起的匹配出错的问题。
发明内容
为解决现有技术的不足,本发明的目的在于提供一种基于主成分分析提取独立sift关键点的优化算法,使待匹配的关键点之间互相独立,减少匹配错误,避免sift特征点的相似引起的匹配出错的问题。
为了实现上述目标,本发明采用如下的技术方案:
一种基于主成分分析提取独立sift关键点的优化算法,其特征是,包括如下步骤:
步骤1)采用sift算法得到关键点的精确定位;
步骤2)对步骤2)得到的关键点进行独立性筛选,对由sift算法得到的sift特征点及其周围像素的直方图进行直方图匹配,使其直方图呈高斯分布;然后引入主成分分析算法使得主成分相互独立;主成份通过特征值映射到原sift特征点及其周围像素的直方图,得到的sift特征点之间互相独立,完成对sift特征点的筛选;
步骤3)消除边缘效应;
步骤4)生成关键点的描述;
步骤5)匹配关键点。
前述的一种基于主成分分析提取独立sift关键点的优化算法,其特征是,所述步骤2)的具体内容为:
21)提取尺度不变特征的特征点及其周围像素的灰度直方图;
在sift特征点周围取一个k*k的矩阵,用这k2个像素对特征点及其周围像素进行描述;由公式p(rk)=nk得到矩阵的直方图,即作为sift特征点及其周围像素的灰度直方图,其中rk代表灰度值,nk代表此灰度值对应的像素个数;
22)匹配灰度直方图,使主成分分析的输入呈高斯分布:
规定直方图的概率密度函数的任何值都不能为零,令规定直方图的概率密度pz(z)为高斯分布的概率密度即:其中u是直方图的均值,σ是直方图的方差;
23)利用主成份分析提取特征向量:对步骤22)得到的呈高斯分布的sift向量做归一化处理,求协方差矩阵的特征向量和特征值,将协方差矩阵的特征值按大到小排序,将前k个特征值对应的特征向量作为主成份构成变换矩阵,令原sift向量构成的矩阵与变换矩阵相乘得到一个新的矩阵;
24)将独立主成分重映射为图像上的关键点:得到新矩阵之后,新矩阵和变换矩阵相乘得到重映射后的矩阵。
前述的一种基于主成分分析提取独立sift关键点的优化算法,其特征是,所述步骤1)包括如下内容:
步骤11)构建高斯尺度空间:对原图像I(x,y)和高斯滤波器相乘得到尺度空间,其中高斯滤波器x,y是坐标,σ是高斯滤波器的方差,函数H(x,y,σ)表示此高斯滤波器上的每一个像素值;
尺度空间为L(x,y,σ)=I(x,y)*G(x,y,σ),其中函数L(x,y,σ)代表经过高斯滤波之后的图像的每个像素值;
设尺度空间由O组S个滤波后的图像构成,每组尺寸为前一组的1/2长,1/2宽,每组的尺度由公式其中函数σ(O,S)代表第O组第S层的过滤后的图像所用的高斯滤波器的方差,分母上的S是组内图像总个数;
步骤12)构建高斯差分金字塔:差分金字塔的每层图像由高斯金字塔上下两层相减得到,即D(x,y,σ)=L1(x,y,σ)-L2(x,y,σ),其中D(x,y,σ)代表差分金字塔每层图像的像素值,L1(x,y,σ),L2(x,y,σ)代表高斯金字塔中两层相邻的图像;
步骤13)确定潜在特征点:差分金字塔中每层,每个像素和其上下两层及其周围8个像素一共26个像素比较,寻找最大值,最小值;若是最大值或最小值,则此像素为潜在关键点;
步骤14)关键点精确定位:建立方程其中x=(x,y,σ)T,D代表差分金字塔中的图像;对D(x)求导,并令结果等于0,得到极值点的偏移量得到代表相对插值中心的偏移量;当任一维度大于0.5时,要改变关键点位置,将新坐标代入公式: 若|D(x)|小于阈值,则删除极值点。
前述的一种基于主成分分析提取独立sift关键点的优化算法,其特征是,所述步骤3)的具体内容为:
设a和β为由Dxx,Dxy,Dxy,Dyy组成的矩阵的特征值。其中令T=Dxx+Dyy=a+β,并且Det=DxxDyy-(Dxy)2=aβ,令r=a/β,则
当r为设定的阈值时,只要检测关键点小于阈值则保留。
前述的一种基于主成分分析提取独立sift关键点的优化算法,其特征是,所述步骤4)的具体内容为:在关键点周围取一个半径为r的圆,统计圆内所有像素的方向,将像素最多的方向作为此关键点的主方向;将坐标轴方向旋转为关键点的方向,将此区域分成4*4个子区域,在每个子区域内统计像素的8个方向的梯度值,此关键点用4*4*8=128个维度的向量表示。
前述的一种基于主成分分析提取独立sift关键点的优化算法,其特征是,所述步骤5)的具体内容为:利用sift算法分别得到两幅待匹配的图像的sift特征点,对于第一幅图像上的每个sift特征点,计算与第二幅图像上的sift特征点的欧式距离,找到欧式距离最近的前两个关键点,如果最近的欧氏距离d1除以次近的欧式距离d2小于某个事先设定的阈值ritio,则认为此特征点与另一幅图像上欧式距离最近的特征点匹配,否则不匹配。
本发明所达到的有益效果:本方法通过对由sift算法得到的sift特征点及其周围像素的直方图进行直方图匹配,使其直方图呈高斯分布;然后,使其作为pca算法的输入,则pca输出的主成份就互相独立;最后,主成份通过特征值映射到原sift特征点及其周围像素的直方图,得到的sift特征点之间互相独立,完成对sift特征点的筛选了,使待匹配的关键点之间互相独立,减少匹配错误的概率。
附图说明
图1是本方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
现有技术中sift方法中存在的问题:sift算子是一种局部算子,由于局部特征的相似性,例如当局部纹理呈规律的反复时,在这一区域的多个sift特征点的128维向量所表示的信息区别不大,在匹配时容易造成特征点之间的误配和一个sift特征点的重复匹配。另外,在使用pca提取主成份时,输入的样本一般是随机分布的,此时输出线性不相关,但不能确定输出之间是否独立,即非线性的部分可能存在相关性。只有当样本呈高斯分布时,输出才是独立的。
针对以上问题本文提出了一种利用主成份分析(Principal ComponentAnalysis,PCA)提取独立的sift特征点,使待匹配的特征点之间互相独立,减少匹配错误的方法,包括如下步骤:
步骤1)采用sift算法得到关键点的精确定位,具体步骤内容与sift算法相同:
步骤11)构建高斯尺度空间:对原图像I(x,y)和高斯滤波器相乘得到尺度空间,其中高斯滤波器x,y是坐标,σ是高斯滤波器的方差,函数G(x,y,σ)表示此高斯滤波器上的每一个像素值;
尺度空间为L(x,y,σ)=I(x,y)*G(x,y,σ),其中函数L(x,y,σ)代表经过高斯滤波之后的图像的每个像素值;
设尺度空间由O组S个滤波后的图像构成,每组尺寸为前一组的1/2长,1/2宽,每组的尺度由公式其中函数σ(O,S)代表第O组第S层的过滤后的图像所用的高斯滤波器的方差,分母上的S是组内图像总个数。为了在每组中检测S个尺度的极值点,高斯金字塔每组需要S+3层,实际计算S∈[3,5]。
步骤12)构建高斯差分金字塔:差分金字塔的每层图像由高斯金字塔上下两层相减得到,即D(x,y,σ)=L1(x,y,σ)-L2(x,y,σ),其中D(x,y,σ)代表差分金字塔每层图像的像素值,L1(x,y,σ),L2(x,y,σ)代表高斯金字塔中两层相邻的图像。
步骤13)确定潜在特征点:差分金字塔中每层,每个像素和其上下两层及其周围8个像素一共26个像素比较,寻找最大值,最小值;若是最大值或最小值,则此像素为潜在关键点。
步骤14)关键点精确定位:建立方程其中x=(x,y,σ)T,D代表差分金字塔中的图像;
对D(x)求导,并令结果等于0,得到极值点的偏移量得到代表相对插值中心的偏移量;当任一维度大于0.5时,要改变关键点位置,将新坐标代入公式:若|D(x)|小于阈值,则删除极值点。
步骤2)对步骤2)得到的关键点进行独立性筛选,对由sift算法得到的sift特征点及其周围像素的直方图进行直方图匹配,使其直方图呈高斯分布;然后引入主成分分析算法使得主成分相互独立;主成份通过特征值映射到原sift特征点及其周围像素的直方图,得到的sift特征点之间互相独立,完成对sift特征点的筛选。具体步骤为:
21)提取尺度不变特征的特征点及其周围像素的灰度直方图;
在sift特征点周围取一个k*k的矩阵,用这k2个像素对特征点及其周围像素进行描述;由公式p(rk)=nk得到矩阵的直方图,即作为sift特征点及其周围像素的灰度直方图,其中rk代表灰度值,nk代表此灰度值对应的像素个数,灰度值r的取值区间为[0,L-1];
22)匹配灰度直方图,使主成分分析的输入呈高斯分布:
定义一个灰度映射:s=T(r),0≤r<L-1,s代表原直方图每个具有r值的像素值对应的像素值,T()代表这种映射。
设pr(r)表示灰度r的概率密度函数(PDF),则T()可以由下式得到:W是积分假变量。
规定直方图的概率密度函数的任何值都不能为零,令规定直方图的概率密度pz(z)为高斯分布的概率密度即:其中u是直方图的均值,σ是直方图的方差。
令变换函数t是积分假变量,u是输出矩阵的均值,σ是矩阵的方差。
令G(z)=T(r)=s,则矩阵的每一个像素的灰度值为:z=G-1[T(r)]=G-1(s),所以经过变换,得到了sift特征点描述矩阵对应的输出矩阵,输出矩阵的像素呈高斯分布。
由于灰度值的取值区间为[0,L-1],令m=L-1,所以矩阵可以作为一个m维的向量。由于一幅图像由n个sift特征点,所以可以得到一个m*n的矩阵X。
23)利用主成份分析提取特征向量:对步骤22)得到的呈高斯分布的sift向量做归一化处理,求协方差矩阵的特征向量和特征值,将协方差矩阵的特征值按大到小排序,将前k个特征值对应的特征向量作为主成份构成变换矩阵,令原sift向量构成的矩阵与变换矩阵相乘得到一个新的矩阵。具体地:
对矩阵X做归一化处理:处理后的矩阵X值为
每两个向量之间的协方差为:则可以得到一个n*n大小X的协方差矩阵。对协方差矩阵求特征向量和特征值。在对协方差矩阵求特征向量的过程中可以得到n个特征值,并从大到小排列即:λ1≥λ2≥…≥λd≥λd+1≥…λn,将前k个特征值对应的特征向量作为主成份。k的值越大,保留原矩阵特征的不确定性越大,就更加接近真实的数据。如果k比较小,保留的原来的矩阵特征的不确定性越少,导致降维后的数据不够真实。
所以取一个阈值限定信息的损失:Sii代表第i个特征值。T∈[0,1]为选取的阈值,表示选取的k值使信息损失不超过1-T。
24)将独立主成分重映射为图像上的关键点:得到新矩阵之后,新矩阵和变换矩阵相乘得到重映射后的矩阵。由特征向量得到变换矩阵u=(λ1,λ2…λI)。令原矩阵X和变换矩阵U相乘得到矩阵Z,即:Z=X*U。由选取的前k个特征向量可知特征向量所对应的原sift向量,即可知Z矩阵中的向量映射的sift向量。将Z矩阵中的向量重映射到图像上,最终得到的sift特征点即为筛选后的特征点。
步骤3)消除边缘效应:设a和β为由Dxx,Dxy,Dxy,Dyy组成的矩阵的特征值。其中令T=Dxx+Dyy=a+β,并且Det=DxxDyy-(Dxy)2=aβ,令r=a/β,则当r为设定的阈值时,只要检测关键点小于阈值则保留。
步骤4)生成关键点的描述:在关键点周围取一个半径为r的圆,统计圆内所有像素的方向,将像素最多的方向作为此关键点的主方向;将坐标轴方向旋转为关键点的方向,将此区域分成4*4个子区域,在每个子区域内统计像素的8个方向的梯度值,此关键点用4*4*8=128个维度的向量表示。
步骤5)匹配关键点:利用sift算法分别得到两幅待匹配的图像的sift特征点,对于第一幅图像上的每个sift特征点,计算与第二幅图像上的sift特征点的欧式距离,找到欧式距离最近的前两个关键点,如果最近的欧氏距离d1除以次近的欧式距离d2小于某个事先设定的阈值ritio,则认为此特征点与另一幅图像上欧式距离最近的特征点匹配,否则不匹配。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于主成分分析提取独立sift关键点的优化算法,其特征是,包括如下步骤:
步骤1)采用sift算法得到关键点的精确定位;
步骤2)对步骤2)得到的关键点进行独立性筛选,对由sift算法得到的sift特征点及其周围像素的直方图进行直方图匹配,使其直方图呈高斯分布;然后引入主成分分析算法使得主成分相互独立;主成份通过特征值映射到原sift特征点及其周围像素的直方图,得到的sift特征点之间互相独立,完成对sift特征点的筛选;
步骤3)消除边缘效应;
步骤4)生成关键点的描述;
步骤5)匹配关键点。
2.根据权利要求1所述的一种基于主成分分析提取独立sift关键点的优化算法,其特征是,所述步骤2)的具体内容为:
21)提取尺度不变特征的特征点及其周围像素的灰度直方图;
在sift特征点周围取一个k*k的矩阵,用这k2个像素对特征点及其周围像素进行描述;由公式p(rk)=nk得到矩阵的直方图,即作为sift特征点及其周围像素的灰度直方图,其中rk代表灰度值,nk代表此灰度值对应的像素个数;
22)匹配灰度直方图,使主成分分析的输入呈高斯分布:
规定直方图的概率密度函数的任何值都不能为零,令规定直方图的概率密度pz(z)为高斯分布的概率密度即:其中u是直方图的均值,σ是直方图的方差;
23)利用主成份分析提取特征向量:对步骤22)得到的呈高斯分布的sift向量做归一化处理,求协方差矩阵的特征向量和特征值,将协方差矩阵的特征值按大到小排序,将前k个特征值对应的特征向量作为主成份构成变换矩阵,令原sift向量构成的矩阵与变换矩阵相乘得到一个新的矩阵;
24)将独立主成分重映射为图像上的关键点:得到新矩阵之后,新矩阵和变换矩阵相乘得到重映射后的矩阵。
3.根据权利要求1所述的一种基于主成分分析提取独立sift关键点的优化算法,其特征是,所述步骤1)包括如下内容:
步骤11)构建高斯尺度空间:对原图像I(x,y)和高斯滤波器相乘得到尺度空间,其中高斯滤波器x,y是坐标,σ是高斯滤波器的方差,函数G(x,y,σ)表示此高斯滤波器上的每一个像素值;
尺度空间为L(x,y,σ)=I(x,y)*G(x,y,σ),其中函数L(x,y,σ)代表经过高斯滤波之后的图像的每个像素值;
设尺度空间由O组S个滤波后的图像构成,每组尺寸为前一组的1/2长,1/2宽,每组的尺度由公式其中函数σ(O,S)代表第O组第S层的过滤后的图像所用的高斯滤波器的方差,分母上的S是组内图像总个数;
步骤12)构建高斯差分金字塔:差分金字塔的每层图像由高斯金字塔上下两层相减得到,即D(x,y,σ)=L1(x,y,σ)-L2(x,y,σ),其中D(x,y,σ)代表差分金字塔每层图像的像素值,L1(x,y,σ),L2(x,y,σ)代表高斯金字塔中两层相邻的图像;
步骤13)确定潜在特征点:差分金字塔中每层,每个像素和其上下两层及其周围8个像素一共26个像素比较,寻找最大值,最小值;若是最大值或最小值,则此像素为潜在关键点;
步骤14)关键点精确定位:建立方程其中x=(x,y,σ)T,D代表差分金字塔中的图像;对D(x)求导,并令结果等于0,得到极值点的偏移量得到代表相对插值中心的偏移量;当任一维度大于0.5时,要改变关键点位置,将新坐标代入公式: 若|D(x)|小于阈值,则删除极值点。
4.根据权利要求1所述的一种基于主成分分析提取独立sift关键点的优化算法,其特征是,所述步骤3)的具体内容为:
设a和β为由Dxx,Dxy,Dxy,Dyy组成的矩阵的特征值。其中令T=Dxx+Dyy=a+β,并且Det=DxxDyy-(Dxy)2=aβ,令r=a/β,则
当r为设定的阈值时,只要检测关键点小于阈值则保留。
5.根据权利要求1所述的一种基于主成分分析提取独立sift关键点的优化算法,其特征是,所述步骤4)的具体内容为:
在关键点周围取一个半径为r的圆,统计圆内所有像素的方向,将像素最多的方向作为此关键点的主方向;将坐标轴方向旋转为关键点的方向,将此区域分成4*4个子区域,在每个子区域内统计像素的8个方向的梯度值,此关键点用4*4*8=128个维度的向量表示。
6.根据权利要求1所述的一种基于主成分分析提取独立sift关键点的优化算法,其特征是,所述步骤5)的具体内容为:
利用sift算法分别得到两幅待匹配的图像的sift特征点,对于第一幅图像上的每个sift特征点,计算与第二幅图像上的sift特征点的欧式距离,找到欧式距离最近的前两个关键点,如果最近的欧氏距离d1除以次近的欧式距离d2小于某个事先设定的阈值ritio,则认为此特征点与另一幅图像上欧式距离最近的特征点匹配,否则不匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810083851.5A CN108334883A (zh) | 2018-01-29 | 2018-01-29 | 一种基于主成分分析提取独立sift关键点的优化算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810083851.5A CN108334883A (zh) | 2018-01-29 | 2018-01-29 | 一种基于主成分分析提取独立sift关键点的优化算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108334883A true CN108334883A (zh) | 2018-07-27 |
Family
ID=62926057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810083851.5A Pending CN108334883A (zh) | 2018-01-29 | 2018-01-29 | 一种基于主成分分析提取独立sift关键点的优化算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108334883A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129314A (zh) * | 2021-04-01 | 2021-07-16 | 上海市第一人民医院 | 一种针对肺部阴影智能图像处理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077512A (zh) * | 2012-10-18 | 2013-05-01 | 北京工业大学 | 基于主成分析的数字图像的特征提取与匹配方法及装置 |
-
2018
- 2018-01-29 CN CN201810083851.5A patent/CN108334883A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077512A (zh) * | 2012-10-18 | 2013-05-01 | 北京工业大学 | 基于主成分析的数字图像的特征提取与匹配方法及装置 |
Non-Patent Citations (2)
Title |
---|
冯博: "基于PCA的改进SIFT特征提取算法", 《华东水利水电学院学报》 * |
小熊不去实验室: "SIFT特征提取分析(特征点篇)"", 《HTTPS://BLOG.CSDN.NET/YANGTREES/ARTICLE/DETAILS/8333549》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113129314A (zh) * | 2021-04-01 | 2021-07-16 | 上海市第一人民医院 | 一种针对肺部阴影智能图像处理方法 |
CN113129314B (zh) * | 2021-04-01 | 2022-08-02 | 上海市第一人民医院 | 一种针对肺部阴影智能图像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Automatic change detection in synthetic aperture radar images based on PCANet | |
CN106056122B (zh) | 一种基于kaze特征点的图像区域复制粘贴篡改检测方法 | |
CN104809731B (zh) | 一种基于梯度二值化的旋转尺度不变场景匹配方法 | |
Tao et al. | Image thresholding using graph cuts | |
CN106023187B (zh) | 一种基于sift特征和角度相对距离的图像配准方法 | |
CN110223310B (zh) | 一种基于深度学习的线结构光中心线和箱体边缘检测方法 | |
Jayaraman et al. | An efficient color and texture based iris image retrieval technique | |
CN109949348A (zh) | 一种基于超像素运动统计的误匹配去除方法 | |
He et al. | Image threshold segmentation based on GLLE histogram | |
Uddin et al. | Bangladeshi vehicle digital license plate recognition for metropolitan cities using support vector machine | |
CN112070116B (zh) | 一种基于支持向量机的艺术画作自动分类系统及方法 | |
CN108334883A (zh) | 一种基于主成分分析提取独立sift关键点的优化算法 | |
Maybank | A probabilistic definition of salient regions for image matching | |
CN110704667B (zh) | 一种基于语义信息的快速相似图检测方法 | |
Hu et al. | Automatic spectral video matting | |
Cha et al. | Distance between histograms of angular measurements and its application to handwritten character similarity | |
Zheng et al. | Copy-Move forgery detection algorithm based on feature point clustering | |
Fan et al. | Infrared image enhancement based on saliency weight with adaptive threshold | |
Collins et al. | CSDD features: Center-surround distribution distance for feature extraction and matching | |
Rahma et al. | The using of gaussian pyramid decomposition, compact watershed segmentation masking and DBSCAN in copy-move forgery detection with SIFT | |
Wu et al. | An accurate feature point matching algorithm for automatic remote sensing image registration | |
Priyadharshini et al. | Automatic registration of images with simulated rotation and translation estimation using HAIRIS | |
Lam | A fast approach for detecting human faces in a complex background | |
Elaskily et al. | Enhanced Fiilltterr-based SIFT Apprroach fforr Copy-Move Forrgerry Dettecttiion | |
Zhang et al. | Reidentification of Persons Using Clothing Features in Real‐Life Video |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180727 |
|
RJ01 | Rejection of invention patent application after publication |