Ransac算法说明及源代码，并包含使用实例。改代码书写严谨，并有详细的使用说明。

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

点云配准是基于RGB-D(RGB-depth)传感器的室内场景重建的关键技术之一。针对稀疏建图中关键帧间的点云配准问题,提出一种基于改进的随机采样一致性(RANSAC)的场景分类点云粗配准算法。首先分别利用几何信息与光度信息进行关键点的检测、描述与匹配,然后由场景分类算法判断场景类别,适应性地结合几何匹配与光度匹配,最后提出一种改进的RANSAC算法,通过有偏重的随机采样与自适应的假设评价,对关键帧间的变换矩阵进行估计。采用公开的RGB-D数据集对整体的点云粗配准算法进行实验验证,并与多种算法进行比较。实验结果表明,该点云粗配准算法能够实现稳健有效的变换矩阵估计,有助于后续的精配准与整体的室内场景重建。

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。

此思维导图为本人近期所看论文总结，侵权删，如有错误麻烦通知本人进行改正，思维导图软件Xmind