surf算法，matlab中surf用法

本文目录一览

1，matlab中surf用法
2，surf跟踪算法叫什么名中文叫法英文咋读啊
3，Surf的SURF算法
4，surf估算的特征点主方向准确吗
5，surf 为什么在模糊方面优于sift
6，surf算法C语言编写要做嵌入式开发不要C和基于OPENCV的

1，matlab中surf用法

X，Y是两个矩阵，不然怎么画出图来。

matlab中surf用法

2，surf跟踪算法叫什么名中文叫法英文咋读啊

speed up robust features 加速健壮特征？不知道你们专业怎么讲的，直译就差不多的意思

surf跟踪算法叫什么名中文叫法英文咋读啊

3，Surf的SURF算法

加速稳健特征(Speeded Up Robust Features, SURF)是一个稳健的图像识别和描述算法，首先于2006年发表在欧洲计算机视觉国际会议(Europeon Conference on Computer Vision，ECCV)。该算法可被用于计算机视觉任务，如物件识别和3D重构。他部分的灵感来自于SIFT算法。SURF标准的版本比SIFT要快数倍，并且其作者声称在不同图像变换方面比SIFT更加稳健。SURF 基于近似的2D 离散小波变换响应和并且有效地利用了积分图。该算法由Herbert Bay于2006年首次发表于ECCV，2008年正式发表在Computer vision and image understanding期刊上，论文被引9000余次。 Hessian矩阵是SURF算法的核心，为了方便运算，假设函数f(x,y)，Hessian矩阵H是由函数的二阶偏导数组成：

Surf的SURF算法

4，surf估算的特征点主方向准确吗

示例：setMinimumSize(265, 190);　　　　　　　　　　　　　　//窗体最小尺寸resize(365, 240);//窗体默认大小int w = width()- minimumWidth();/*****************定义控件*********************************/QLabel *nameLabel =new QLabel("Name:",this);QLabel *pwLabel = new QLabel("Passwd:",this);QLineEdit *nameLineEdit = new QLineEdit(this);QLineEdit *pwLineEdit = new QLineEdit(this);QPushButton *okButton = new QPushButton("OK",this);QPushButton *cancelButton = new QPushButton("Cancel",this);nameLabel->setGeometry(9, 9, 40, 25);　　　　　　　//定义n

不明白啊 = =！

5，surf 为什么在模糊方面优于sift

sift匹配（scale-invariant feature transform，尺度不变特征转换)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 david lowe 在1999年所发表，2004年完善总结。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3d模型建立、手势辨识、影像追踪和动作比对。局部影像特征的描述与侦测可以帮助辨识物体，sift 特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用 sift特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的sift物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。sift特征的信息量大，适合在海量数据库中快速准确匹配。2、sift特征的主要特点从理论上说，sift是一种相似不变量，即对图像尺度变化和旋转是不变量。然而，由于构造sift特征时，在很多细节上进行了特殊处理，使得sift对图像的复杂变形和光照变化具有了较强的适应性，同时运算速度比较快，定位精度比较高。如：在多尺度空间采用dog算子检测关键点，相比传统的基于log算子的检测方法，运算速度大大加快；关键点的精确定位不仅提高了精度，而且大大提高了关键点的稳定性；在构造描述子时，以子区域的统计特性，而不是以单个像素作为研究对象，提高了对图像局部变形的适应能力；

SIFT匹配（Scale-invariant feature transform，尺度不变特征转换)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe 在1999年所发表，2004年完善总结。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。　　局部影像特征的描述与侦测可以帮助辨识物体，SIFT 特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用 SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。

6，surf算法C语言编写要做嵌入式开发不要C和基于OPENCV的

surf借鉴了sift中简化近似的思想，将DOH中的高斯二阶微分模板进行了近似简化，使得模板对图像的滤波只需要进行几个简单的加减法运算，并且，这种运算与滤波模板的尺寸有关。实验证明surf算法较sift算法在运算速度上要快3倍左右。 1 积分图像 surf算法中要用到积分图像的概念。借助积分图像，图像与高斯二阶微分模板的滤波转化为对积分图像的加减运算。积分图像（Integral Image）的概念是由viola和Jones提出来的，而将类似积分图像用于盒子滤波是由Simard等人提出。积分图像中任意一点（i,j）的值为ii(i,j)为原图像左上角到任意点（i,j）相应的对角线区域灰度值的总和即：公式中，I(x`,y`)表示原图像中点（i`,j`）的灰度值，ii（x,y）可以由下面两公式迭代计算得到：公式中，S（x,y）表示一列的积分，且S（i,-1）=0,ii(-1,j)=0.求积分图像，只需对原图像的所有像素素进行一遍扫描。下面的代码为c++语言的实现 pOutImage[0][0] = pInImage[0][0]; for(int x = 1, x < nWidth; i++) { pOutImage[x][0] = pInImage[x-1][0] + pInImage[x][0]; } for(int y=1; y< nHeight ;y++) { int nSum = 0; for(int x=0; x < nWidth;x++) { nSum = pInImage[x][y]; pOutImage[x][y]= pInImage[x][y-1]+nSum; } } 如图表示，在求取窗口w内的像元灰度和时，不管窗口W的大小如何，均可利用积分图像的4个对应点（i1,j1）（i2,j2）（i3,j3）（i4,j4）的值计算的到。也就是说，求取窗口W内的像元灰度和与窗口的尺寸是无关的。窗口W内的像元的灰度和为 Sum（W）= ii(i4,j4) -ii(i2,j2) - ii(i3,j3) + ii(i1,j1) 下面看以截图，相信都可以看懂关于矩形区域内像素点的求和应该是一种简单重复性运算，采用这种思路总体上提高了效率。为什么这么说呢？假设一幅图片共有n个像素点，则计算n个位置的积分图总共的加法运算有n-1次（注意：可不是次哦，要充分利用递推思想），将这些结果保存在一个跟原图对应的矩阵M中。当需要计算图像中某个矩形区域内的所有像素之和是直接像查表一样，调出A,B,C,D四点的积分图值，简单的加减法（注意只需要三次哦）即可得到结果。反之，如果采用naive的方式直接在原图像中的某个矩形区域内求和，你想想，总共可能的矩形组合有多少？！！且对于一幅图像n那是相当大啊，所以2^n 那可是天文数字，而且这里面绝大部分的矩形有重叠，重叠意味着什么？在算求和的时候有重复性的工作，其实我们是可以有效的利用已经计算过的信息的。这就是积分图法的内在思想：它实际上是先计算n个互不重叠（专业点说是不相交）的矩形区域内的像素点求和，充分利用这些值（已有值）计算未知值，有点类似递推的味道...这就完全避免了重复求和运算。这样就可以进行2种运算：（1）任意矩形区域内像素积分。由图像的积分图可方便快速地计算图像中任意矩形内所有像素灰度积分。如下图2.3所示，点1的积分图像ii1的值为(其中Sum为求和) : ii1=Sum（A）同理，点2、点3、点4的积分图像分别为： ii2=Sum(A)+Sum(B); ii3=Sum(A)+Sum(C); ii4=Sum(A)+Sum(B)+Sum(C)+Sum(D); 矩形区域D内的所有像素灰度积分可由矩形端点的积分图像值得到: Sum(D)=ii1+ii4-(ii2+ii3) (1) (2) 特征值计算矩形特征的特征值是两个不同的矩形区域像素和之差，由(1)式可以计算任意矩形特征的特征值，下面以图2.1中特征原型A为例说明特征值的计算。如图2.4 所示，该特征原型的特征值定义为: Sum（A）-Sum（B）根据（1）式则有：Sum(A)=ii4+ii1-(ii2+ii3); Sum(B)=ii6+ii3-(ii4+ii5); 所以此类特征原型的特征值为: (ii4-ii3)-(ii2-ii1)+(ii4-ii3)-(ii6-ii5) 另示：运用积分图可以快速计算给定的矩形之所有象素值之和Sum(r)。假设r=(x,y,w,h),那么此矩形内部所有元素之和等价于下面积分图中下面这个式子: Sum(r) = ii(x+w,y+h)+ii(x-1,y-1)-ii(x+w,y-1)-ii(x-1,y+h) 由此可见，矩形特征特征值计算只与此特征端点的积分图有关，而与图像坐标值无关。对于同一类型的矩形特征，不管特征的尺度和位置如何，特征值的计算所耗费的时间都是常量，而且都只是简单的加减运算。其它类型的特征值计算方法类似。

同求大神们的回答！刚学10天哈哈了解一下