surf演算法流程圖

❶ opencv 用python 使用surf演算法計算出了最後的結果，繪出了圖像，之後怎麼找出目標位置

這個用不著SURF。只需要聚色彩就可以了。芬達主要由橙色與黑色組成。只需要按橙色與黑色設計兩個向量指標，立刻就可以看出來，只有芬達同時符合這兩個峰值。

你顯然沒有做過數據處理的經驗。這個東西。甚至用不著opencv的核心功能。只需要用它的圖像採集然後處理一下圖像就可以了。

當然芬達是一個對象。你還需要將對象與背景分享出來。這個時候，可以使用一些類似人臉識別的演算法。

但是換作是我自己。顯然不會這樣做。我只需要計算顏色距離相似度。把相似的顏色自動分成區域。然後計算區域的重心與離散度。就可以輕松分離出哪些區域是背景，哪些是對象。

❷ matlab中mesh和surf有什麼區別

一、用處不同

mesh（）用於繪制不是特別精細的三維曲面網格圖，同一層面的線條用相同的顏色表示。surf（）用於繪制比較光滑的三維曲面網格圖，各線條之間的補面用顏色填充。

二、曲面著色風格不同

例如：

[X,Y] = meshgrid(-2:.2:2, -4:.4:4);

Z = X .* exp(-X.^2 - Y.^2);

figure(1)

surf(X,Y,Z)

figure(2)

mesh(X,Y,Z)

surf 黑色線，彩色面

mesh 彩色線，白色面

三、屬性不同

命令獲取兩個函數所創建surface對象的屬性：

get(mesh(peaks))

get(surf(peaks))

稍加對比就可以知道，二者的差別只有EdgeColor、FaceColor、FaceLighting、EdgeLighting這四個屬性。對於普通的繪圖（不加光線），其實只有前兩個屬性（Edge和Face的顏色）不同。

❸ 如何比較SIFT，SURF，Harris-SIFT圖像匹配演算法性能

SIFT匹配（Scale-invariant feature transform，尺度不變特徵轉換）是一種電腦視覺的演算法用來偵測與描述影像中的局部性特徵，它在空間尺度中尋找極值點，並提取出其位置、尺度、旋轉不變數，此演算法由 David Lowe 在1999年所發表，2004年完善總結。其應用范圍包含物體辨識、機器人地圖感知與導航、影像縫合、3D模型建立、手勢辨識、影像追蹤和動作比對。
局部影像特徵的描述與偵測可以幫助辨識物體，SIFT 特徵是基於物體上的一些局部外觀的興趣點而與影像的大小和旋轉無關。對於光線、雜訊、些微視角改變的容忍度也相當高。基於這些特性，它們是高度顯著而且相對容易擷取，在母數龐大的特徵資料庫中，很容易辨識物體而且鮮有誤認。使用 SIFT特徵描述對於部分物體遮蔽的偵測率也相當高，甚至只需要3個以上的SIFT物體特徵就足以計算出位置與方位。在現今的電腦硬體速度下和小型的特徵資料庫條件下，辨識速度可接近即時運算。SIFT特徵的信息量大，適合在海量資料庫中快速准確匹配。
2、SIFT特徵的主要特點
從理論上說，SIFT是一種相似不變數，即對圖像尺度變化和旋轉是不變數。然而，由於構造SIFT特徵時，在很多細節上進行了特殊處理，使得SIFT對圖像的復雜變形和光照變化具有了較強的適應性，同時運算速度比較快，定位精度比較高。如：
在多尺度空間採用DOG運算元檢測關鍵點，相比傳統的基於LOG運算元的檢測方法，運算速度大大加快；
關鍵點的精確定位不僅提高了精度，而且大大提高了關鍵點的穩定性；
在構造描述子時，以子區域的統計特性，而不是以單個像素作為研究對象，提高了對圖像局部變形的適應能力；

❹ matlab中的surf和surfc怎麼翻譯請詳細點。急用！！！謝謝！

surf:3-D shaded surface plot.surf是關鍵詞surface的簡寫了。surfc中的c代表contour.等高線的意思。matlab命令基本是英文的簡寫。

❺ Fast演算法原理：fastica演算法步驟詳解

1. Fast演算法原理

我們前面已經介紹過幾個特徵檢測器，它們的效果都很好，特別是SIFT和SURF演算法，但是從實時處理的角度來看，效率還是太低了。為了解決這個問題，Edward Rosten和Tom Drummond在2006年提出了FAST演算法，並在2010年對其進行了修正。

FAST (全稱Features from accelerated segment test)是一種用於角點檢測的演算法，該演算法的原理是取圖像中檢測點，以該點為圓心的周圍鄰域內像素點判斷檢測點是否為角點，通俗的講就是若一個像素周圍有一定數量的像素與該點像素值不同，則認為其為角點。

1. 1 FAST演算法的基本流程

在圖像中選取一個像素點 p，來判斷它是不是關鍵點。$$I_p$$等於像素點 p的灰度值。

以r為半徑畫圓，覆蓋p點周圍的M個像素，通常情狂下，設置 r=3，則 M=16，如下圖所示：

設置一個閾值t，如果在這 16 個像素點中存在 n 個連續像素點的灰度值都高於$$I_p + t$$，或者低於$$I_p - t$$，那麼像素點 p 就被認為是一個角點。如上圖中的虛線所示，n 一般取值為 12。

由於在檢測特徵點時是需要對圖像中所有的像素點進行檢測，然而圖像中的絕大多數點都不是特徵點，如果對每個像素點都進行上述的檢測過程，那顯然會浪費許多時間，因此採用一種進行非特徵點判別的方法：首先對候選點的周圍每個 90 度的點：1，9，5，13 進行測試(先測試 1 和 19, 如果它們符合閾值要求再測試 5 和 13)。如果 p 是角點，那麼這四個點中至少有 3 個要符合閾值要求，否則直接剔除。對保留下來的點再繼續進行測試(是否有 12 的點符合閾值要求)。

雖然這個檢測器的效率很高，但它有以下幾條缺點：

·獲得的候選點比較多

·特徵點的選取不是最優的，因為它的效果取決與要解決的問題和角點的分布情況。

·進行非特徵點判別時大量的點被丟棄

·檢測到的很多特徵點都是相鄰的

前 3 個問題可以通過機器學習的方法解決，最後一個問題可以使用非最大值抑制的方法解決。

1. 2 機器學習的角點檢測器

選擇一組訓練圖片(最好是跟最後應用相關的圖片)

使用 FAST 演算法找出每幅圖像的特徵點，對圖像中的每一個特徵點，將其周圍的 16 個像素存儲構成一個向量P。

每一個特徵點的 16 像素點都屬於下列三類中的一種

根據這些像素點的分類，特徵向量 P 也被分為 3 個子集：Pd ，Ps ，Pb，

定義一個新的布爾變數$$K_p$$，如果 p 是角點就設置為 Ture，如果不是就設置為 False。

利用特徵值向量p，目標值是$K_p$，訓練ID3 樹(決策樹分類器)。

將構建好的決策樹運用於其他圖像的快速的檢測。

1. 3 非極大值抑制

在篩選出來的候選角點中有很多是緊挨在一起的，需要通過非極大值抑制來消除這種影響。

為所有的候選角點都確定一個打分函數$$V $$ ， $$V $$的值可這樣計算：先分別計算$$I_p$$與圓上16個點的像素值差值，取絕對值，再將這16個絕對值相加，就得到了$$V $$的值

最後比較毗鄰候選角點的 V 值，把V值較小的候選角點pass掉。

FAST演算法的思想與我們對角點的直觀認識非常接近，化繁為簡。FAST演算法比其它角點的檢測演算法快，但是在雜訊較高時不夠穩定，這需要設置合適的閾值。

2.Fast實現

OpenCV中的FAST檢測演算法是用傳統方法實現的，

1.實例化fast

參數：

·threshold：閾值t，有默認值10

·nonmaxSuppression：是否進行非極大值抑制，默認值True

返回：

Fast：創建的FastFeatureDetector對象

2.利用fast.detect檢測關鍵點，沒有對應的關鍵點描述

參數：

gray: 進行關鍵點檢測的圖像，注意是灰度圖像

返回：

kp: 關鍵點信息，包括位置，尺度，方向信息

3.將關鍵點檢測結果繪制在圖像上，與在sift中是一樣的

示例：

結果：

❻ 關於opencv SURF演算法 特徵點匹配率

surf演算法對圖片提取特徵點以後是可以獲得到提取的數量的。但是匹配完成後雖然能夠獲得匹配成功的數量，但是是不是真的准確就無法保證了。比如兩張完全不相關圖片，特徵點匹配也可能會有幾個能夠匹配成功的，但是在物理意義上，這兩張圖片並不相同，特徵點雖然距離很近但是並不正確。

❼ SURF使用范圍

黑塞矩陣（Hessian Matrix）是一個多元函數的二階偏導數構成的方陣，描述了函數的局部曲率。由德國數學家Ludwin Otto Hessian於19世紀提出。
surf構造的金字塔圖像與sift有很大不同，Sift採用的是DOG圖像，而surf採用的是Hessian矩陣行列式近似值圖像。
Hessian矩鍵虛陣是Surf演算法的核心，構建Hessian矩陣的目的是為了生成圖像穩定的邊緣點（突變點），為下文的特徵提取做好基礎。
每一個像素點都可以求出一個Hessian矩陣。
H(f(x,y))=⎡⎣⎢∂2f∂x2∂2f∂x∂y∂2f∂x∂y∂2f∂x2⎤⎦⎥

Hessian矩陣的判別式為：
det(H)=∂2∂x2∂2f∂y2−(∂2f∂x∂y)

當Hessian矩陣的判別式取得局部極大值時，判定當前點是比周圍鄰域內其他點更亮或更暗的點，由此來定位關鍵點的位置。
在SURF演算法中，圖像像素l(x，y)即為函數值f(x，y)。但是由於我們的特徵點需要具備尺度無關性，所以在進行Hessian矩陣構造前，需要對其進行高斯濾波，選用二階標准高斯函數作為濾波器。
L(x,t)=G(t)⋅I(x,t)
通過特定核間的卷積計算二階偏導數。通過特定核間的卷積計算二階偏導數，這樣便能計算出H矩陣的三個矩陣元素L_xx, L_xy, L_yy從而計算出H矩陣：
H(x,σ)=[Lxx(x,σ)Lxy(x,σ)Lxy(x,σ)Lyy(x,σ)]
由於高斯核是服從正態分布的，從中心點往外，系數越來越低，為了提高運算速稿沒燃度，Surf使用了盒式濾波器來近似替代高斯察盯濾波器，提高運算速度。
盒式濾波器（Boxfilter）對圖像的濾波轉化成計算圖像上不同區域間像素和的加減運算問題，只需要簡單幾次查找積分圖就可以完成。
每個像素的Hessian矩陣行列式的近似值：
det(H)=Dxx∗Dyy−(0.9∗Dxy)2
在Dxy上乘了一個加權系數0.9，目的是為了平衡因使用盒式濾波器近似所帶來的誤差：