采用java写的SIFT的代码，希望对做图形学的有用处！

mod_lowe 的pca-sift c语言实现，可以参考如何提取特征点和匹配的实现

我就废话不多说，直接上代码吧！ # -*- coding: utf-8 -*- import cv2 import numpy as np from find_obj import filter_matches,explore_match from matplotlib import pyplot as plt def getSift(): ''' 得到并查看sift特征 ''' img_path1 = '../../data/home.jpg' #读取图像 img = cv2.imread(img_path1) #转换为灰度图 gray= cv2.cvtCo

针对水下双目图像匹配时不再满足空气中极线约束条件以及尺度不变特征变换(SIFT)特征匹配算法处理水下图像误匹配率较高等问题，提出一种基于曲线约束的水下特征匹配算法。对双目摄像机进行标定获取相关参数，再获取参考图和待匹配图；利用SIFT算法对两幅图像进行匹配，同时利用由参考图提取的特征点推导出其在待匹配图上对应的曲线，将该曲线作为约束条件判定待匹配图上对应特征点是否在曲线上，从而剔除误匹配点，以达到提高精度的目的。实验结果表明，该算法优于SIFT算法，可以有效地剔除误匹配点，比SIFT算法匹配精度提高约12%，解决了SIFT算法在水下双目立体匹配中误匹配率高的问题。

基于SIFT和小波变换的图像拼接算法.pdf

图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key 图像匹配+sift+key

数字图像处理：SIFT算法与HOG算法特征检测.ppt

这是我见过的最详细和易懂的SIFT算法详解，在这里首先感谢该文档的作者。 待有空将整理成自己语言写成博客，期待得到同行指导和相互交流

本资源在vc++平台下实现了图像特征匹配算法sift，并含有学习笔记，能很好的帮助理解算法，程序需配置opencv才能运行

Sift是David Lowe于1999年提出的局部特征描述子，并于2004年进行了更深入的发展和完善。Sift特征匹配算法可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有很强的匹配能力。在Mikolajczyk对包括Sift算子在内的十种局部描述子所做的不变性对比实验中，Sift及其扩展算法已被证实在同类描述子中具有最强的健壮性。 总体来说，Sift算子具有以下特性： （1）Sift特征是图像的局部特征，对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性，对视觉变化、仿射变换也保持一定程度的稳定性。 （2）独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。 （3）多量性，即使少数的几个物体也可以产生大量Sift特征向量。 （4）速度相对较快，经优化的Sift匹配算法甚至可以达到实时的要求。 （5）可扩展性强，可以很方便的与其他形式的特征向量进行联合。 Sift特征匹配算法主要包括两个阶段，一个是Sift特征的生成，即从多幅图像中提取对尺度缩放、旋转、亮度变化无关的特征向量；第二阶段是Sift特征向量的匹配。