这个资源复现的是MatchNet:Unifying Feature and Metric Learning for Patch-Based Matching。对于图像匹配在深度学习方面的应用。使用的是keras框架。具体实现可以看这篇博客https://blog.csdn.net/weixin_42521239/article/details/103989934
2021-03-11 15:46:36
17.25MB
1
ImageMatching格雷码图像匹配及三维重建，最后生成WRL格式点云，需安装VRML插件，和OPENCV
2021-03-11 14:33:54
3.85MB
1
第二次上传，补充第一次内容。更加丰富。
图像匹配matlab程序设计:1. 概念解释，2．数字图像匹配算法设计：⑴基于灰度的归一化匹配算法⑵基于灰度的快速模板匹配算法。三．相应matlab程序设计：1．数字图像匹配相关函数 2．数字图像匹配函数：(1) 基于灰度的归一化匹配算法(2) 基于灰度的快速模板匹配算法 实验：1. 基于灰度的归一化匹配算法2. 基于灰度的快速模板匹配算法五．试验结果评价
2021-03-03 18:34:57
198KB
1
本论文可作为(但不限于)图像匹配及相关领域的研究人员和工程师的参考。
2021-02-24 19:09:34
6.85MB
1
这是一篇全英文的数字图像匹配算法，介绍非常详细。因为该文档里面的内容是从官方网站扫描成PDF的，所以公式有点不清晰，但是不要紧，我个人做了一篇PPT，里面有各种公式。
2021-01-29 23:03:00
5.04MB
1
基于特征点的图像匹配方法的关键是准确快速地将可靠的特征点提取出来。经典归一化互相关匹配法属于基于特征点匹配方法中的一种，归一化互相关匹配法具有操作简单，匹配精度高等优点，但其计算量庞大，难以满足实时跟踪的要求。提出了一种基于序贯相似性检测的归一化互相关快速匹配方法，并对提出的改进方法进行实验验证。实验表明，该方法可以准确快速的进行特征点匹配，减少了算法的计算时间，有效地减少了发生误匹配的概率。
2021-01-29 14:10:31
635KB
1
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、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。
2020-04-06 03:11:54
431KB
1