基于ZC702 Zynq的SURF/SIFT图像拼接算法的实现系列最新的论文！

基于自适应Dense-SIFT的大规模图像检索

传统的mean-shift 跟踪算法不能跟踪目标的旋转、缩放运动, 且常常因此造成定位不准. 鉴于此, 将尺度不变 特征变换(SIFT) 特征检测融入到mean-shift 跟踪过程, 提出SIFT 特征点的尺度变化与目标的尺度变化成正比, 特征 点主方向变化与目标旋转角度一致, 给出了基于SIFT 特征的自适应目标尺度、方向计算方法, 且利用带方向、可变 带宽的椭圆核改进传统的mean-shift 跟踪方法. 实验表明, 该算法能够较好地跟踪目标的旋转、缩放运动, 定位也更 准确.

克隆（复制移动伪造）是恶意的对数字图像进行篡改攻击，将图像的一部分复制并粘贴到图像中，以隐藏图像的重要细节，而没有任何明显的篡改痕迹。 这种类型的篡改攻击给取证留下了一个关于图像真实性的大问题。 在开发了强大的软件来处理图像之后，在过去几年中提出了许多技术。 所提出的方案涉及基于块和基于特征点提取的技术两者，以更准确地提取伪造区域。 该算法主要涉及通过计算单位向量之间的点积来匹配从每个块中提取的相同特征的触角。 随机样本共识（RANSAC）算法用于提取匹配区域。 所提出算法的实验结果表明，与现有算法相比，它能够提取出更准确的结果。 伪造检测方法。

本人网上搜索到的最好的sift代码，只需要在matlab环境下即可实现，不含c。若不可运行，可在评论里面留言，本人立马删掉。 各个模块都很清楚，运行demo1即标出来特征点，demo2到demo4分别得到的是demo-data文件夹里面六幅图片的关键点匹配之后的图像。sift-demo.m文件中代码有误，可以忽略。

PythonSIFT 这是在 NumPy 的帮助下完全在 Python 中完成的 SIFT（David G. Lowe 的尺度不变特征变换）的实现。 此实现基于OpenCV实现，并返回OpenCV KeyPoint对象和描述符，因此可以用作OpenCV SIFT的直接替代。 该存储库旨在帮助计算机视觉爱好者了解 SIFT 背后的细节。 2020/2/11 更新 PythonSIFT 已在 Python 3 中重新实现（并大大改进！）。您可以在legacy分支中找到原始 Python 2 版本。 但是，我强烈建议您使用master （新的 Python 3 实现）。 好多了。 依赖关系 Python 3 NumPy OpenCV-Python 最后使用Python 3.8.5 、 Numpy 1.19.4和OpenCV-Python 4.3.0成功测试。 用法 import cv2

图像处理python代码附带测试图片：角点检测corner_detection.py，边缘检测margin.py，轮廓检测contour_detection.py，ORB.py，SIFT.py，SURF.py，图像拼接stitching.py

此PPT为本人调用OpenCV包实现简单特征点提取展示以及进一步特征点筛选匹配实现

三维SIFT的实现方法，与原来的SIFT的图像匹配不同，可以进行包括时间信息的视频处理方法。

提出一种基于统一计算设备架构(CUDA)加速的尺度不变特征变换(SIFT)快速计算方法,用以解决SIFT特征提取计算过程耗时过长的问题。该方法充分利用图像处理单元(GPU)在并行计算、浮点计算、内存管理等方面的优势,合理分配主机端和设备端的资源及其在SIFT特征计算中所承担的角色。实验表明,与CPU架构下的SIFT特征提取算法相比,本文算法可以大幅度加快SIFT特征提取的计算速度,其加速比随着SIFT特征点数目的增加而增加,在本文实验中最大加速比可达19.54。