冲浪配准数学代码盖姆 这是Toby Collins，Pablo Mesejo和Adrien Bartoli发表于欧洲的同行评议论文“基于图的关键点匹配中的错误分析和建议的解决方案”中Matlab的基于图的仿射不变关键点匹配（GAIM）的Matlab实现。 2014年9月召开的计算机视觉会议。GAIM解决了两个图像的一般基于关键点的图形匹配问题。 它不需要对象的数量，遮挡的数量，图像之间的非刚性运动的数量，背景杂波的数量或对象的拓扑结构（如果例如对象撕裂，状态可能会发生变化）的先验知识。 这是作者的实现。 如果您在工作中使用此代码的任何部分，请引用本文。 最重要的是，我们希望您会发现此代码有用。 基于图的关键点匹配是一个非常困难的计算机视觉问题，尚未完全解决，需要进行不断的研究。 问题包括使用例如SIFT或SURF检测两个图像中的关键点（或特征），然后使用它们的描述符和相邻关键点之间的几何约束来匹配关键点。 解决方案对于几种应用程序非常重要，包括非刚性对象跟踪，配准和非刚性场景理解。 为了使其正常工作，图像中的对象必须具有良好的纹理（以便可以检测到关键点），并且图像不应被噪声，模糊或压缩

级联仿射不变集成 MCMC 采样器。 “MCMC 锤子” gwmcmc 是 Goodman and Wear 2010 Affine 的实现不变集成马尔可夫链蒙特卡罗 (MCMC) 采样器。 MCMC采样启用贝叶斯推理。 许多传统 MCMC 采样器的问题是它们对于严重扩展的问题可能收敛缓慢，并且难以优化高维问题的随机游走。 这是 GW 算法真正擅长的地方，因为它是仿射不变的。 它可以在严重缩放的问题上实现更好的收敛。 很多开箱即用更简单，因此它名副其实的MCMC锤。 （此代码使用 Goodman and Wear 算法的级联变体）。 用法： [models,logP]=gwmcmc(minit,logPfuns,mccount,[Parameter,Value,Parameter,Value]); 输入： minit：每个步行者的初始值的 MxW 矩阵合奏。 （M：模型参数的数量。W：步行

针对ASIFT算法抗大视角变换能力较好,但运算效率低的缺点,提出一种基于ORB的快速大视角图像匹配算法.该算法结合透视变换模型和ORB算法对ASIFT中的仿射变换模型和SIFT算法进行优化,在粗匹配算法获得单应性矩阵的基础上进行精匹配,有效减少了模拟次数,并提高了算法运算效率.实验结果表明,所提出算法具备抗视角变换能力,计算速度比ASIFT算法提高10倍,实时性强,工程使用价值高.

前视红外目标识别是精确制导武器的关键技术。实际应用中，模板和实时图存在尺度和角度的差异，易导致误匹配。为克服上述问题，提出了一种基于边缘仿射不变坐标的前视红外目标识别算法。以边缘曲线的区域质心为基准点建立局部坐标系，在此坐标系下，边缘点的坐标值具有仿射不变；将边缘的坐标集合作为描述子，利用平均hausdorff 距离度量边缘的相似性；最后结合边缘的相对位置剔除误匹配，实现前视红外目标的稳健识别。通过三组实验，与基于灰度模板和基于边缘模板的识别算法相比，识别率和稳健性均有所提高。

希望不要有人盗用的我代码， 我把ASIFT调用的第三方库都编译成了静态的库，像载入图片， 保存图片都编译成了静态库， 共享给大家，希望多多交流， 代码环境是vs2008 +opencv2.31, 那地方出错可以直接QQ：2416512862, 再次声明， 某些人不要盗用人家的劳动成果

本程序实现了fastmathc, 使用c++和opecnv实现，参考了原作者的matlab程序