数字图像处理学习笔记(三):ORB算法(尺度不变特征变换)Oriented FAST and Rotated BRIEF

图像特征算法(三)——ORB算法简述及Python中ORB特征匹配实践 计算机视觉专栏传送 上一篇:图像特征算法(一)——SURF算法简述及Python标记SURF特征检测实践 下一篇:持续创作中… 目录计算机视觉专栏传送一、ORB算法1.算法简介2.FAST寻找特征点3.BRIEF 算法生成图像特征描述符4.满足缩放旋转不变性的改进(1)缩放不变性(2)旋转不变性(3)rBRIEF二、Python代码实践1.测试环境2.测试代码3.核心函数4.测试结果 一、ORB算法 1.算法简介 ORB 是 Oriented Fast and Rotated Brief 的简称,可以用来对 阅读详情
AI摘要

本文围绕ORB算法展开,它改进了FAST特征提取算法,使用二进制描述子BRIEF。针对FAST的不足,ORB做了多方面改进以保持尺度和旋转不变性。OpenCV提供两种Matching方式,还介绍了特征点匹配后的优化方法,如交叉匹配、KNN匹配、RANSAC等,并给出OpenCV处理示例。

数字图像处理学习笔记(三):ORB算法(尺度不变特征变换)Oriented FAST and Rotated BRIEF

一、概述

参考:特征点匹配+特征检测方法汇总
在这里插入图片描述
ORB的全称是Oriented FAST and Rotated BRIEF,是目前来说非常好的能够进行的实时的图像特征提取和描述的算法,它改进了FAST特征提取算法,并使用速度极快的二进制描述子BRIEF。
针对FAST特征提取的算法的一些确定,ORB也做了相应的改进。

  • 使用非最大值抑制,在一定区域内仅仅保留响应极大值的角点,避免FAST提取到的角点过于集中。
  • FAST提取到的角点数量过多且不是很稳定,ORB中可以指定需要提取到的角点的数量N,然后对FAST提取到的角点分别计算Harris响应值,选择前N个具有最大响应值的角点作为最终提取到的特征点集合。
  • FAST提取到的角点不具有尺度信息,在ORB中使用图像金字塔,并且在每一层金字塔上检测角点,以此来保持尺度的不变性。
  • FAST提取到的角点不具有方向信息,在ORB中使用灰度质心法(Intensity Centroid)来保持特征的旋转不变性。

FAST-12算法:

添加预测试操作,于每个像素,直接检测在邻域圆上的第1,5,9,13个像素的亮度,只有当这四个像素当中有三个同时大于IP+T或者小于IP-T的时候,当前像素才有可能是是角点。

  • 问题1:FAST特征点的数量很多,并且不是确定,而大多数情况下,我们希望能够固定特征点的数量。

解决方法:在ORB当中,我们可以指定要提取的特征点数量。对原始的FAST角点分别计算Harris的响应值,然后选取前N个点具有最大相应值的角点,作为最终角点的集合。

  • 问题2:FAST角点不具有方向信息和尺度问题。

解决方法:尺度不变性构建的图像的金字塔,并且从每一层上面来检测角点。旋转性是由灰度质心法实现。

灰度质心法:质心是指以图像块灰度值作为权重的中心。(目标是为了找到方向)

1)在一个小的图像块B中,定义图像块的矩为:
在这里插入图片描述
2)通过矩找到图像块的质心

在这里插入图片描述

3)连接图像块的几何中心o与质心C,得到一个oc的向量,把这个向量的方向定义特征点的方向
在这里插入图片描述

OpenCV提供了两种Matching方式:
• Brute-force matcher (cv::BFMatcher)    

1)暴力方法找到点集1中每个descriptor在点集2中距离最近的descriptor;找寻到的距离最小就认为匹配
2)浮点描述子-欧氏距离;二进制描述符-汉明距离。
3)详细描述:在第一幅图像中选取一个关键点然后依次与第二幅图像的每个关键点进行(描述符)距离测试,最后返回距离最近的关键点

• Flann-based matcher (cv::FlannBasedMatcher)    

1)快速最近邻搜索算法寻找(用快速的第三方库近似最近邻搜索算法)
2)是一个对大数据集和高维特征进行最近邻搜索的算法的集合,在面对大数据集时它的效果要好于BFMatcher。
3)使用FLANN匹配需要传入两个字典参数:

  • 一个参数是IndexParams,对于SIFT和SURF,可以传入参数index_params=dict(algorithm=FLANN_INDEX_KDTREE, trees=5)。
    对于ORB,可以传入参数
    index_params=dict(algorithm=FLANN_INDEX_LSH, table_number=6, key_size=12, multi_probe_level=1)。

  • 第二个参数是SearchParams,可以传入参数search_params=dict(checks=100),它来指定递归遍历的次数,值越高结果越准确,但是消耗的时间也越多。

cv::BFMatcher(int normType=NORM_L2, bool crossCheck=false)

如下所示:

  • normType:它是用来指定要使用的距离测试类型,默认值为cv2.Norm_L2,这很适合SIFT和SURF等(c2.NORM_L1也可)。对于使用二进制描述符的ORB、BRIEF和BRISK算法等,要使用cv2.NORM_HAMMING,
    这样就会返回两个测试对象之间的汉明距离。如果ORB算法的参数设置为WTA_K==3或4,normType就应该设置成cv2.NORM_HAMMING2。

  • crossCheck:默认值为False。如果设置为True,匹配条件就会更加严格,只有到A中的第i个特征点与B中的第j个特征点距离最近,并且B中的第j个特征点到A中的第i个特征点也是最近时才会返回最佳匹配(i,j),
    即这两个特征点要互相匹配才行。

BFMatcher对象有两个方法BFMatcher.match()和BFMatcher.knnMatch()。第一个方法会返回最佳匹配。第二个方法为每个关键点返回k个最佳匹配,其中k是由用户设定的。
cv2.drawMatches()来绘制匹配的点,它会将两幅图像先水平排列,然后在最佳匹配的点之间绘制直线。
如果前面使用的是BFMatcher.knnMatch(),现在可以使用函数cv2.drawMatchsKnn为每个关键点和它的个最佳匹配点绘制匹配线,如果要选择性绘制就要给函数传入一个掩模。

特征点的匹配后的优化

特征的匹配是针对特征描述子进行的,上面提到特征描述子通常是一个向量,两个特征描述子的之间的距离可以反应出其相似的程度,也就是这两个特征点是不是同一个。

根据描述子的不同,可以选择不同的距离度量。如果是浮点类型的描述子,可以使用其欧式距离;对于二进制的描述子(BRIEF)可以使用其汉明距离(两个不同二进制之间的汉明距离指的是两个二进制串不同位的个数)。

有了计算描述子相似度的方法,那么在特征点的集合中如何寻找和其最相似的特征点,这就是特征点的匹配了。最简单直观的方法就是上面使用的:暴力匹配方法(Brute-Froce Matcher),计算某一个特征点描述子与其他所有特征点描述子之间的距离,然后将得到的距离进行排序,取距离最近的一个作为匹配点。这种方法简单粗暴,其结果也是显而易见的,通过上面的匹配结果,也可以看出有大量的错误匹配,这就需要使用一些机制来过滤掉错误的匹配。

  • 交叉匹配
    针对暴力匹配,可以使用交叉匹配的方法来过滤错误的匹配。交叉过滤的思想很简单,再进行一次匹配,反过来使用被匹配到的点进行匹配,如果匹配到的仍然是第一次匹配的点的话,就认为这是一个正确的匹配。举例来说就是,假如第一次特征点A使用暴力匹配的方法,匹配到的特征点是特征点B;反过来,使用特征点B进行匹配,如果匹配到的仍然是特征点A,则就认为这是一个正确的匹配,否则就是一个错误的匹配。OpenCV中BFMatcher已经封装了该方法,创建BFMatcher的实例时,第二个参数传入true即可,BFMatcher bfMatcher(NORM_HAMMING,true)。

  • KNN匹配
    K近邻匹配,在匹配的时候选择K个和特征点最相似的点,如果这K个点之间的区别足够大,则选择最相似的那个点作为匹配点,通常选择K = 2,也就是最近邻匹配。对每个匹配返回两个最近邻的匹配,如果第一匹配和第二匹配距离比率足够大(向量距离足够远),则认为这是一个正确的匹配,比率的阈值通常在2左右。

  • RANSAC
    随机采样一致性(RANSAC)可过滤掉错误的匹配,该方法利用匹配点计算两个图像之间单应矩阵,并分解得到位姿R,t,通过三角测量来得到两个关联特征对应的3D点,将3D点按照当前估计的位姿进行投影,也就是重投影,然后利用重投影误差(观测到得投影位置(像素坐标)与3D点进行重投影的位置之差)来判定某一个匹配是不是正确的匹配。
    OpenCV中封装了求解单应矩阵的方法findHomography,可以为该方法设定一个重投影误差的阈值,可以得到一个向量mask来指定那些是符合该重投影误差的匹配点对(Inliers),以此来剔除错误的匹配,

二、示例

openCV处理流程:
1)读取图像
2)获取检测器的实例
3)在OpenCV3中重新的封装了特征提取的接口,可统一的使用Ptr detector = FeatureDetector::create()来得到特征提取器的一个实例,所有的参数都提供了默认值,也可以根据具体的需要传入相应的参数。
4)在得到特征检测器的实例后,可调用的detect方法检测图像中的特征点的具体位置,检测的结果保存在vector向量中。
5)有了特征点的位置后,调用compute方法来计算特征点的描述子,描述子通常是一个向量,保存在Mat中。
6)得到了描述子后,可调用匹配算法进行特征点的匹配。上面代码中,使用了opencv中封装后的暴力匹配算法BFMatcher,该算法在向量空间中,将特征点的描述子一一比较,选择距离(上面代码中使用的是Hamming距离)较小的一对作为匹配点。
7)绘制结果

  • 汉明距离小于最小距离的两倍
    选择已经匹配的点对的汉明距离不大于最小距离的两倍作为判断依据,如果不大于该值则认为是一个正确的匹配,过滤掉;大于该值则认为是一个错误的匹配。

DMatch类存放匹配结果

struct DMatch
{       
     int queryIdx;  		//此匹配对应的查询图像的特征描述子索引
     int trainIdx;   		//此匹配对应的训练(模板)图像的特征描述子索引
     int imgIdx;    		//训练图像的索引(若有多个)
     float distance;  		//两个特征向量之间的欧氏距离,越小表明匹配度越高。
     bool operator < (const DMatch &m) const;
};
#include <opencv2/opencv.hpp>

using namespace cv;
using namespace std;

int main()
{
    // 0 读取图像
    Mat img1 = imread("F:/C++/2. OPENCV 3.1.0/TEST/w.jpg",1);
    Mat img2 = imread("F:/C++/2. OPENCV 3.1.0/TEST/e.jpg",1);

    // 1 初始化特征点和描述子,ORB
    std::vector<KeyPoint> keypoints1, keypoints2;    // 定义关键点(特征点)
    Mat descriptors1, descriptors2;                            // 定义描述子
    Ptr<ORB> orb = ORB::create();

    // 2 、提取 Oriented FAST 特征点
    orb->detect(img1, keypoints1);
    orb->detect(img2, keypoints2);

    // 3 、根据角点位置计算 BRIEF 描述子
    orb->compute(img1, keypoints1, descriptors1);
    orb->compute(img2, keypoints2, descriptors2);


//    // 4、绘制特征关键点.
//    Mat img_keypoints_1;
//    Mat img_keypoints_2;
//    drawKeypoints( img1, keypoints1, img_keypoints_1, Scalar::all(-1), DrawMatchesFlags::DEFAULT );
//    drawKeypoints( img2, keypoints2, img_keypoints_2, Scalar::all(-1), DrawMatchesFlags::DEFAULT );
//    // 5、显示效果图
//    imshow("特征点检测效果图1", img_keypoints_1 );
//    imshow("特征点检测效果图2", img_keypoints_2 );



    // 6、对两幅图像中的BRIEF描述子进行匹配,使用 Hamming 距离
    // DMatch类存放匹配结果:matches中保存着匹配关系
    vector<DMatch> matches;
    // 暴力匹配算法:找到点集1中每个descriptor在点集2中距离(hamming distance)最近的descriptor;找寻到的距离最小就认为匹配
    BFMatcher bfmatcher(NORM_HAMMING,true);
    // 匹配函数
    bfmatcher.match(descriptors1, descriptors2, matches);


    // 7、匹配对筛选:选择 hamming距离小于最小距离的两倍的特征点
    double min_dist = 1000, max_dist = 0;
    // 找出所有匹配之间的最大值和最小值
    for (int i = 0; i < descriptors1.rows; i++)
    {
        double dist = matches[i].distance;//汉明距离在matches中
        if (dist < min_dist)
            min_dist = dist;
        if (dist > max_dist)
            max_dist = dist;
    }
    // 当描述子之间的匹配大于2倍的最小距离时,即认为该匹配是一个错误的匹配。
    // 但有时描述子之间的最小距离非常小,可以设置一个经验值作为下限
    vector<DMatch> good_matches;
    for (int i = 0; i < descriptors1.rows; i++)
    {
        if (matches[i].distance <= max(2 * min_dist, 30.0))
            good_matches.push_back(matches[i]);
    }

    // 8、绘制匹配结果
    Mat img_match;
    drawMatches(img1, keypoints1, img2, keypoints2, good_matches, img_match);
    imshow("所有匹配点对", img_match);

结果:
在这里插入图片描述

ORB - (Oriented Fast and Rotated BRIEF)算法 ORB - (Oriented Fast and Rotated BRIEF) ORB detector 使用 FAST detector 和 BRIEF descriptor 基本思路。在介绍 ORB 之前,首先对 FAST 与 BRIEF 进行说明。 1 FAST FAST(Featrues from Accelerated Segment Test),其基本思想是比较当前点与周边点差异,当周边有连续不少于一半的点均比中间点亮或者暗,则认为该点为一个特征点。其中,亮或暗的定义为: 使用以 阅读详情

相关推荐

特征检测---ORB

文章目录为什么要引入ORB什么是ORBFASTOriented FASTBRIEF描述子Hamming距离改进的BRIEF 为什么要引入ORB 在ORB之前,有SIFT、SURF,虽然具有良好的旋转不变性、光照不变性等,但这两个检测方法需要的时间实在是有些长,尤其是SIFT。下图是ORB文献里提到的每种方法检测一帧图像(640*480)所用的时间: 可以看出来,ORB在速度上的确是快很多。 什么是ORB ORB全称是Oriented FAST and Rotated BRIEF,是目前最快速稳定的特征点检

干饭人 3939

ORB(Oriented FAST and Rotated BRIEF)

ORB(Oriented FAST and Rotated BRIEF)

gls_nuaa的博客 2232

C++高性能图像比对算法:从特征提取到工程优化实战

图像比对是计算机视觉中的基础任务,其核心原理在于通过算法量化两幅图像的相似度。传统像素级比对效率低下且对几何变化敏感,现代方法转向特征提取技术,通过捕捉图像的本质信息实现高效匹配。从技术价值看,高性能比对算法能显著提升人脸识别、以图搜图、医学影像分析等应用的响应速度与准确性。在工程实践中,C++凭借其底层内存控制和编译器优化能力,成为实现高性能图像处理的首选。针对大规模图像库,常采用分层设计策略,例如结合快速的感知哈希进行粗筛,再使用精确的ORB特征进行精匹配。通过多线程并行、SIMD指令集优化和内存池管理

weixin_34174105的博客 372

ORB特征

ORB(Oriented FAST and Rotated BRIEF)特征是一种常用的图像特征,其最大的优点是提取速度快,按业界的说法,ORB特征提取速度臂SURF快10倍,比SIFT快100倍。ORB特征由关键点和描述子两部分组成。他的关键点称为“Oriented FAST”,是一种改进的FAST角点。ORB提取速度快就得益于采用了FAST角点。它的描述子称为BRIEF(Binary Robust Independent Elementary Feature),是一种速度极快的二进制描述子。

qq_34493401的博客 6371

计算机视觉实验全流程:从环境搭建到图像分类与目标检测实战

计算机视觉作为人工智能的核心分支,旨在赋予机器“看懂”图像与视频的能力。其基本原理是通过算法处理像素数据,提取边缘、角点等特征,进而识别、定位与理解视觉内容。这一技术的核心价值在于将非结构化的视觉信息转化为结构化数据,为自动化决策提供支持。在工程实践中,以卷积神经网络为代表的深度学习模型,通过局部连接、权重共享和池化等机制,实现了对图像特征的层次化提取与高效学习。结合PyTorch、OpenCV等成熟工具链,开发者能够快速搭建实验环境,构建从数据预处理、模型训练到评估部署的完整流程。典型的应用场景广泛,例如

476

ORB算法

ORB算法论文来自:ORB: an efficient alternative to SIFT or SURF                                    http://www.vision.cs.chubu.ac.jp/CV-R/pdf/Rublee_iccv2011.pdf        ORB算法用FAST算法进行角点检测,用BRIEF算法生成特征描述符。

xiao_jiang2012的专栏 1993

图像几何变换与插值技术详解

图像几何变换是计算机视觉和数字图像处理的基础技术,通过数学变换改变像素空间位置关系。其核心原理是建立坐标映射关系,常用变换矩阵表示旋转、平移、缩放等操作。在工程实践中,图像插值技术尤为关键,包括最近邻、双线性和双三次插值等方法,直接影响变换质量。这些技术在图像配准、医学影像、遥感测绘等领域广泛应用,特别是在处理多分辨率图像和保持视觉连续性方面具有重要价值。OpenCV等库提供了高效实现,开发者需要根据场景需求权衡计算效率和图像质量。

weixin_30691871的博客 375

数字图像处理(实践篇)四十五 OpenCV-Python 使用ORB算法(包括算法概述)检测图像上的特征点

数字图像处理(实践篇)四十五 OpenCV-Python 使用ORB算法(包括算法概述)检测图像上的特征点

静谧、淡雅 760

图像特征提取的四重空间映射与工程陷阱解析

图像特征提取是计算机视觉的基础能力,本质是在像素空间、频域空间、统计空间与几何空间之间进行多维数学映射。其核心原理涉及灰度变换的物理建模、插值算法对高频信息的保真机制、噪声分布与滤波器的匹配关系,以及GLCM、HOG、SIFT等特征的统计可解释性。技术价值在于为下游任务(如目标检测、纹理分类、OCR)提供鲁棒、可复现、数值契约合规的特征表示。典型应用场景包括工业质检中的缺陷识别、医疗影像的病灶分割、无人机航拍图的结构化分析等。本文聚焦OpenCV与scikit-image实战中高频出现的类型转换陷阱、缩放失

weixin_33755649的博客 389

数字图像处理(实践篇)三十八 OpenCV-Python实现ORB特征检测实践

数字图像处理(实践篇)三十八 OpenCV-Python实现ORB特征检测实践

静谧、淡雅 339

EEGnet模型论文讲解(画图详解三种卷积层操作)

我录了一个讲解视频:https://www.bilibili.com/video/BV1si4y1s7g7/ 目录 一、整体介绍 二、梳理激活函数 三、图解三种卷积层 (核心内容) 四、总结 一、整体介绍 EEGnet是为专门一般的脑电图识别任务而设计的通用且紧凑的卷积神经网络。(设计思路借鉴了MobileNet) 下图是EEGnet的整体结构图,只有三个卷积模块,重点是depthwise conv 和separable conv这两个卷积模块。 表格表明了EEGnet的...

Amigo_1997的博客 2万+

ORB特征检测算法学习

完整代码在文章末尾,使用的库是OpenCV3.4.15。代码参考视觉SLAM14讲目前只是把流程弄明白,对于一些原理和细节理解不到位,日后会不断完善本文章。ORB的全称是ORiented Brief,采用FAST(features from accelerated segment test)算法来检测特征点。与Brisk,AKAZE类似,ORB也分两部分,即特征点提取和特征点描述。

qq_53668261的博客 3386

避坑指南:Livox Mid-360双雷达SLAM配置中,那些官方文档没说的细节(IP设置、话题分离与时间同步)

本文详细解析了Livox Mid-360双雷达SLAM配置中的关键优化点,包括IP设置、话题分离与时间同步等官方文档未提及的细节。通过实战案例和代码示例,帮助开发者解决点云错位、IMU数据混乱等问题,提升SLAM系统的稳定性和精度。特别针对网络架构设计、驱动修改和时间同步机制提供了专业指导。

weixin_29745609的博客 427

ORB(FAST+BRIEF)特征提取与实现——特征点提取算法分析

before:本篇博文先主要叙述ORB特征点提取算法,包括对其分解, FAST特征点的生成,BRIEF描述子的生成。然后对FPGA实现特征点 提取进行简介。铺垫好这些基础后,在下一篇博文中,仔细介绍如何 采用FPGA来实现高速的特征点提取。如何用VHDL来并行实现这一 算法。请阅读本文时,记得看下一篇博文! 一 、前言 1.摘要: 图像特征的检测和提取是计算机视觉

是否龍磊磊真的一无所有的博客 2万+

如何加载交易策略EA到MT4/MT5

1、打开MT4/MT5软件 2、首先,必须有一个EA,而且必须是mq4/ex4为扩展名。点击左上角“文件”—“打开数据文件夹”,找到安装路径 3、将EA的ex4或mq4文件放到MT4目录\MQL4\Experts里面(本文以名为Demo的EA为例) 4、如果有DLL库文件,复制到experts目录下的libraries子目录中 5、如果有tpl模板文件,复制到templates目录中 6、添加完成后重启MT4,点击允许EA运行图标 7、在导航中找到刚才安装的EA,拖拽到...

weixin_41364817的博客 7372

智慧矿山无人机空地一体化解决方案

未来,随着技术的不断进步和应用场景的不断拓展,智慧矿山无人机空地一体化解决方案将在矿业领域发挥更加重要的作用,为矿山的可持续发展提供更加有力的保障。该系统能够实现矿山的全方位、全天候监测与管理,提升矿山生产效率,降低安全风险,并为矿山的可持续发展提供有力支持。智慧矿山无人机空地一体化解决方案是当前矿业领域技术创新的重要方向,旨在通过集成无人机技术、物联网、大数据、人工智能等先进技术,实现矿山的智能化、高效化和安全化运营。在矿山爆破、挖掘等危险作业中,无人机可进行远程监控和指挥,降低人员安全风险。

专注多旋翼、复合翼无人机技术研究,从事低空经济行业。 1111

ORB特征提取详解

ORB(Oriented FAST and Rotated BRIEF)是一种快速特征点提取和描述的算法。这个算法是由Ethan Rublee, Vincent Rabaud, Kurt Konolige以及Gary R.Bradski在2011年一篇名为“ORB:An Efficient Alternative to SIFTor SURF”的文章中提出。ORB算法分为两部分,分别是特征点提取和特征点描述。特征提取是由FAST(Features from Accelerated Segment Test

zouzoupaopao229的专栏 10万+

【C++】ROS:ROS1环境配置与基础示例

ROS1环境配置与基础示例

DevFrank的博客 2108

SLAM知识点——ORB算法

Harris角点检测

qq_46515446的博客 9357

Lammps模拟剪切作用下的位错滑移

Lammps模拟位错与障碍物作用。在lammps中实现周期性位错阵列模型模拟剪切作用下1/2刃位错与障碍物的交互作用

Rockyoung 3464

Unity之Hololens2开发MRTK Profile详解

配置 MRTK 的主要方式之一是使用基础包中的配置文件。场景中的主要对象具有活动配置文件 - 一个 ScriptableObject。顶级 MRTK 配置配置文件包含主核心系统的每个核心的子配置文件数据,每个主核心系统都旨在配置其相应子系统的行为。此外,这些子配置文件也是 ScriptableObjects,因此可以包含对低它们一级的其他配置文件对象的引用。实质上,有一个包含已连接配置文件的完整树,这些配置文件构成了如何初始化 MRTK 子系统和功能的配置信息。

TxNet 1037

计算机视觉算法中的ORB(Oriented FAST and Rotated BRIEF)

ORB算法是一种计算机视觉算法,旨在实现实时的特征提取和匹配。ORB算法结合了FAST(Features from Accelerated Segment Test)特征检测算法和BRIEF(Binary Robust Independent Elementary Features)描述子算法的优点,能够快速且准确地识别和匹配图像中的特征点。

牛肉胡辣汤 755

49、Linux内核内存管理:MGLRU、DAMON与OOM杀手详解

本文详细解析了Linux内核内存管理中的三大核心机制:MGLRU(多代LRU)页面追踪与回收机制、DAMON数据访问监控工具及其在内存优化中的应用,以及OOM(内存不足)杀手的工作原理和触发方式。同时,文章还介绍了VM overcommit_memory策略的设置及其对内存分配的影响,帮助开发者和系统管理员更好地理解Linux内存管理机制,从而优化系统性能和稳定性。

dropout6artist的博客 111

ORB特征检测算法小结

1. 定义ORB (Oriented FAST and Rotated BRIEF),是一种特征检测算子,其特征点的性能介于SIFT和SURF之间,但是其速度是SURF算法速度的10倍。2. 特性 速度快:基本上在特征检测算子方面借鉴了FAST特征检测算子,在特征描绘子方面借鉴了brief特征描绘算子,这两个方法都比较快。 具备旋转不变性,对噪声不敏感。 3. 算法流程1. 特征检测部分在特征检测部

GH_HOME的专栏 1万+

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

ORB算法原理解读

最近学习ORB特征点有一些

yang843061497的专栏 7万+

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

ORB局部描述子提取

FAST 的核心任务是在图像中快速找到 “角点”—— 角点就是图像中「灰度变化剧烈、周围像素明暗对比明显」的点。Features:特征 → 这里特指 “角点特征”(图像中最稳定、最易识别的局部特征)。from:来自 → 说明特征是从 “加速分段测试” 中提取的。:加速 → FAST 算法的核心优势!比传统角点检测(如 Harris 角点)快 10-100 倍,适合实时场景(比如视频跟踪)。:分段测试 → 这是 FAST 检测角点的核心逻辑。BRIEF 的核心任务是。

weixin_46081608的博客 1135

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

上一篇: 数字图像处理学习笔记(二):SIFT(尺度不变特征变换)算法
下一篇: 字符集和编码规范:ASCII,Unicode和UTF-8, latin1,BIG5,GBK
Leon_Chen0
博客等级 码龄11年 372粉丝 111原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
⌂ 换网址