A local phase based invariant feature for remote sensing image matching

最新推荐文章于 2023-04-08 20:19:43 发布
最新推荐文章于 2023-04-08 20:19:43 发布
阅读量468 收藏 1
点赞数
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。
本文链接：https://blog.csdn.net/qq_32425195/article/details/113978408
版权

本文是2018年，发表在ISPRS中的一篇遥感影像配准的文章。
本文的创新点：
1.提出MMPC-Lap来检测两张图的的关键点，该方法基于minimum moment of phase congruency来检测关键点。相对于Har-Lap,DoG,MSER，该方法的效果有明显的提升
2.提出LHOPC特征描述方法，该方法
（1）基于PC的大小和方向构造直方图统计特征。其中，类似SIFT+DAISY统计一个区域的直方图,该区域是由多个同心圆构成
在这里插入图片描述

（2）基于统计特征得到特征的主方向
在这里插入图片描述
（3）可以得到特征的尺度
在这里插入图片描述

匹配策略：
1.先使用MMPC-Lap在I1,I2中检测关键点；
2.使用LHOPC计算I1,I2关键点的描述符
3.使用最近邻欧几里的距离来配准关键点
4. RANSAC

dadaHaHa1234
关注
matlab PHASECONG3函数解析
石油靴子的博客
05-15 2377
大佬网站的链接：PHASECONG3 这个函数是用来计算图像的边缘和角的相位一致性 下面是该函数的注释 This function calculates the PC_2 measure of phase congruency. PC_2就是相位一致性 This function supersedes PHASECONG2 and PHASECONG being faster and requires less memory 第三版，比前两版更快，内存更少 There are potentially ma.
HOPC（Histogram of Orientated Phase Congruency）
qq_32425195的博客
01-12 3618
对应文章：Robust Registration of Multimodal RemoteSensing Images Based on Structural Similarity（ＴＧＡＳ） 过程：获得相位信息；提取相位的方向特征； Introduction: SSD(sum of squared differences):尽管计算快，但是不鲁棒quite sensitive to radiometric changes despite its high computational efficie.
特征匹配的一些随意记录
baidu_40840693的博客
09-22 1089
https://medium.com/data-breach/introduction-to-feature-detection-and-matching-65e27179885d Introduction to Harris Corner Detector Introduction to SIFT (Scale-Invariant Feature Transform) Introduction to SURF (Speeded-Up Robust Features) Introduction.
IEEE Transactions on Geoscience and Remote Sensing(IEEE TGRS)中深度学习相关文章及研究方向总结
想到好名再改的博客
04-08 7983
本文旨在调研TGRS中所有与深度学习相关的文章，以投稿为导向，总结其研究方向规律等。文章来源为EI检索记录，选取2020到2023年期间录用的所有文章，约4000条记录。同时，考虑到可能有会议转投期刊，模型改进转投或相关较强等情况，本文也添加了这些文章。
Open Source Software for Remote Sensing
IvanLJF的专栏
01-04 2865
转载原地址： http://blog.sina.com.cn/s/blog_7ab297690102w734.htmlANN Approximate Nearest Neighbors (ANN) is a library written in the C++ programming language to support both exact and approximate nearest n
计算机视觉论文-2021-06-29
中科院AI算法工程师的博客
06-30 2647
本专栏是计算机视觉方向论文收集积累，时间：2021年6月29日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） 1, TITLE:The Deep Neural Network Based Photometry Framework for Wide Field Small Aperture Telescopes AUTHORS: Peng Jia ; Yo...
Image Processing and Analysis_15_Image Registration：Image registration methods a survey——2003
Alliswell_WP
10-19 1976
此主要讨论图像处理与分析。虽然计算机视觉部分的有些内容比如特 征提取等也可以归结到图像分析中来，但鉴于它们与计算机视觉的紧密联系，以 及它们的出处，没有把它们纳入到图像处理与分析中来。同样，这里面也有一些 也可以划归到计算机视觉中去。这都不重要，只要知道有这么个方法，能为自己 所用，或者从中得到灵感，这就够了。 注意：Registration可翻译为“配准”或“匹配”，一般是图像配准，...
计算机视觉论文-2021-09-14
中科院AI算法工程师的博客
09-15 3892
本专栏是计算机视觉方向论文收集积累，时间：2021年9月14日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） 1, TITLE:COSMic: A Coherence-Aware Generation Metric for Image Descriptions AUTHORS: MERT ?NAN et. al. CATEGORY: cs.CL [cs.CL...
【Basic】Image Registration in MATLAB: Aligning and Registering Images
# 1. Overview of Image Registration Image registration is ... This technique is widely used in computer vision and image processing fields, including medical imaging, remote sensing, and industrial insp
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
CVPR2017论文摘要汇总
热门推荐
super_chicken的博客
04-09 1万+
1. Exclusivity-Consistency Regularized Multi-view Subspace Clustering Abstract: Multi-view subspace clustering aims to partition a set of multi-source data into their underlying groups. To boost the ...
ICCV2017论文摘要汇总
super_chicken的博客
04-18 6433
1. Globally-Optimal Inlier Set Maximisation for Simultaneous Camera Pose and Feature Correspondence Abstract: Estimating the 6-DoF pose of a camera from a single image relative to a pre-computed 3D p...
近几年的论文和代码
qq_18343569的博客
10-09 5699
Newly accepted:        [1]       J. Xu, L. Zhang, W. Zuo, D. Zhang, and X. Feng, “Patch Group Based Nonlocal Self-Similarity Prior Learning for Image Denoising,” in ICCV 2015. (paper, sup)
前端初始化资源包初始化前端
10-01
.....................
vmware ubuntu22.04安装教程.docx
最新发布
10-01
vmware ubuntu22.04安装教程
语音处理相关的代码------matlab实现_______________开箱即用_soundProcess.zip
10-01
语音处理相关的代码------matlab实现_______________开箱即用_soundProcess
numpy-2.1.1-cp313-cp313t-macosx-14-0-x86-64.whl
10-01
numpy
用于用户故事分类的数据集_UserStoriesDataSet-.zip
10-01
用于用户故事分类的数据集_UserStoriesDataSet-
local feature matching代码
07-01
### 回答1： local feature matching 是计算机视觉中一种常用的图像特征匹配算法，主要用于在不同图像中寻找相似的局部特征点。这种算法可以应用于目标跟踪、图像拼接、立体视觉等多个领域。 local feature matching 的代码实现通常可以分为以下几个步骤： 1. 提取特征点：首先，通过使用特征提取算法（例如SIFT、SURF、ORB等）从图像中提取出关键点和对应的特征描述子。 2. 特征点匹配：对于两幅图像，通过计算特征点的相似性（如欧氏距离、汉明距离等），将每个特征点在另一幅图像中找到最匹配的特征点。可以使用暴力匹配方法或KD树等数据结构来加速匹配过程。 3. 特征点筛选：对匹配的特征点进行筛选，通常使用RANSAC算法或最小二乘法来剔除错误匹配点，同时选取最佳匹配对。 4. 可选的步骤：可以对剩余的特征点进行进一步的过滤和匹配，提高匹配质量。 5. 可视化结果：最后，将匹配结果可视化，可以使用线段、箭头等来表示匹配的特征点对，可以将匹配结果输出到图像或视频中。 local feature matching 的代码实现可以使用各种编程语言和计算机视觉库进行。例如，使用Python编程语言可以使用OpenCV、scikit-image等开源库进行特征点提取和匹配。先通过这些库中的相关函数进行特征点提取，再通过自定义代码实现匹配和筛选的步骤。最后，使用图像库绘制匹配结果。 ### 回答2： 本文将简要介绍local feature matching的代码实现。local feature matching是计算机视觉中常用的一种图像特征匹配方法，可以用于在两幅图像中找到相似的局部特征点。 代码的实现基于OpenCV库，首先需要将两幅图像加载进内存，并使用特征检测算法（例如SIFT或SURF）提取图像的局部特征点。接下来，使用描述子算法（例如SIFT或SURF）计算每个局部特征点的描述子。 在进行特征点匹配之前，需要根据提取到的描述子计算两幅图像中的特征点的相似度。这可以通过计算描述子之间的距离来实现，常用的距离度量方法有欧氏距离、曼哈顿距离和余弦相似度等。 在计算特征点相似度之后，可以使用一定的阈值筛选出相似度高于阈值的特征点对，这些特征点对可以认为是匹配成功的特征点对。可以根据需求设置不同的阈值，以控制匹配的准确性和敏感度。 最后，可以将匹配成功的特征点对绘制在两幅图像上，以便直观地观察匹配结果。可以使用OpenCV中提供的函数（例如cv2.drawMatches）完成这一步骤。 需要注意的是，local feature matching的代码实现还可以根据具体的需求进行优化和改进。例如，可以使用快速特征匹配算法（例如FLANN）来加速匹配过程，或者通过RANSAC算法来筛选出更准确的特征点匹配。 总结起来，local feature matching的代码实现主要包括图像加载、特征点检测、描述子计算、特征点相似度计算、特征点筛选和匹配结果可视化等步骤。通过代码的实现，可以实现在两幅图像中找到相似的局部特征点。 ### 回答3： local feature matching（局部特征匹配）是计算机视觉领域中常用的图像处理技术，它常用于目标检测、图像配准、视觉跟踪等应用中。下面我们来介绍一下关于local feature matching的代码实现。 首先，我们需要提取图像中的局部特征，常用的方法是使用一种称为SIFT（Scale-Invariant Feature Transform）的算法。这个算法可以在不同尺度和旋转变换下保持特征的不变性。通过调用现有的SIFT库，我们可以得到两个图像中的一组特征点和对应的特征描述子。 接下来，我们需要对两幅图像的特征点进行匹配，常用的方法是使用一种称为FLANN（Fast Library for Approximate Nearest Neighbors）的算法。该算法可以高效地在高维特征空间进行最近邻搜索。通过调用现有的FLANN库，我们可以找到每个特征点在另一幅图像中距离最近的特征点，从而实现特征点的匹配。 最后，我们可以根据匹配的特征点对两幅图像进行配准或其他进一步的处理。例如，我们可以计算两幅图像之间的变换矩阵，实现图像的对齐或融合。此外，我们还可以利用匹配的特征点进行目标检测或跟踪，例如通过计算特征点的运动向量来实现光流估计。 综上所述，local feature matching是一种常用的图像处理技术，通过提取和匹配图像中的局部特征，可以实现目标检测、图像配准和视觉跟踪等应用。在代码实现中，我们需要调用相应的库函数，例如SIFT库和FLANN库，以实现对特征点的提取和匹配。通过进一步的处理和分析，我们可以利用匹配的特征点来实现图像的配准、目标检测和跟踪等功能。
评论 2
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