根据深部软岩室内三轴剪切和单试件分级加载蠕变试验结果,采用岩石蠕变力学元件模型和经验本构相结合的方法,获得描述岩石非线性蠕变本构模型。利用现场实测数据对软岩巷道开挖过程进行了参数反演,获得了和试验相一致的软岩本构力学模型参数,反演结果验证了该模型的可行性。

第一个代码“vijay_ti_1”将提取图像中每个关键点的 SIFT 关键点和描述符向量。 对于此代码，只需要一张输入图像，在执行完整的 SIFT 算法后，它将生成关键点、关键点位置及其方向和描述符向量。 第二个代码 'vijay_ti_2' 将首先生成原始图像的关键点，然后要求用户选择是否要增加图像强度或减少它或更改 sigma(scale) 的值或是否要旋转图像。 因此，转换后的图像将作为第二张图像并计算其关键点和描述符。在最后一步，此代码将给出这两个图像之间匹配的关键点数及其在命令窗口中的百分比。

尺度不变特征提取 sift——matlab代码

尺度不变特征变换 SIFT算法 Matlab程序代码.doc

尺度不变特征变化图像匹配siftFlow 能够直接运行

Sift尺度不变特征变换（Scale-invariant feature transform）图像特征提取，Step1：构建金字塔模型-对于各组图像而言，不同层采用不同高斯核函数进行滤波模糊化，各组所用sigma相同。Step2：高斯差分模型，两个高斯模型的差。Step3：计算关键节点。Step4：关键点定位---相位信息。Step5：关键点特征。

sift的简单代码，opencv2.4.9+vs2012

针对尺度不变特征变换(SIFT)描述子仅利用特征点的局部邻域灰度信息而对图像内具有相似灰度分布的特征点易产生误匹配的问题,提出一种基于典型相关分析(CCA)的SIFT误匹配剔除方法。该方法首先利用SIFT算法进行匹配,得到初始匹配对;然后根据典型相关成分的线性关系拟合直线,利用点到直线的距离剔除大部分误匹配点对;对剩余的匹配点对,逐一分析其对典型相关成分的共线性的影响,剔除影响程度大的特征点对。实验结果表明,该方法能够在剔除误匹配的同时保留更多的正确匹配,提高了图像配准的精度。

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.

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