显示图像的SIFT flow描述子
close all; % 模拟figure 5 im = zeros(401,401,3); im(:,:,:) = 0; im(2:200, 2:200, 2) = 255; im(202:400, 202:400, 2) = 255; im(2:200, 202:400, :) = 255; im(202:400, 2:200, :) = 255; im=im2double(im); % im = imread('0000.png'); figure;imshow(im); cellsize=3; gridspacing=1; winSize = 3; addpath(fullfile(pwd,'mexDenseSIFT')); addpath(fullfile(pwd,'mexDiscreteFlow')); %不加噪声,(201,201)sift分布 sift = mexDenseSIFT(im,cellsize,gridspacing); sift = imnormalize(double(sift)); x = 1:128; y = squeeze(sift(100, 100, :)); % figure,plot(x, y); % xlabel('The dimension of the descriptor in SIFT flow','FontSize',12); % ylabel('Distribution','FontSize',12); % set(gca, 'FontSize', 12); %计算该点sift的均值和方差 M1 = mean(y) V1 = var(double(y)) % %加噪声,(201,201)sift分布 % im_noise =imnoise(im, 'gaussian', 0.02); % sift_noise = mexDenseSIFT(im_noise,cellsize,gridspacing); % x = 1:128; % y = squeeze(sift_noise(201, 201, :)); % figure,plot(x, y); % figure, imshow(im_noise); % %计算该点sift的均值和方差 % M2 = mean(y) % V2 = var(double(y)) %不加噪声,(100,100)sift分布 y1 = squeeze(sift(201, 201, :)); figure,plot( x, y1, 'r', x, y, 'b', x, y, '--g', 'LineWidth', 2); xlabel('Dimension Degree of SIFT Flow Descriptor','FontSize',20); ylabel('Distribution','FontSize',20); set(gca, 'FontSize', 20); axis([0, 130, -0.1, 1.1]); hleg1 = legend('B', 'A', 'C'); %计算该点sift的均值和方差 M3 = mean(y) V3 = var(double(y)) % %%加噪声,(100,100)sift分布 % y = squeeze(sift_noise(100, 100, :)); % figure,plot(x, y); % %计算该点sift的均值和方差 % M4 = mean(y) % V4 = var(double(y))
显示图像的SIFT flow描述子的更多相关文章
- SIFT算法:特征描述子
SIFT算法:DoG尺度空间生产 SIFT算法:KeyPoint找寻.定位与优化 SIFT算法:确定特征点方向 SIFT算法:特征描述子 目录: 1.确定描述子采样区域 2.生成描述子 2.1 旋 ...
- SIFT解析(三)生成特征描述子
以上两篇文章中检测在DOG空间中稳定的特征点,lowe已经提到这些特征点是比Harris角点等特征还要稳定的特征.下一步骤我们要考虑的就是如何去很好地描述这些DOG特征点. 下面好好说说如何来描述这些 ...
- Distinctive Image Features from Scale-Invariant Keypoints(SIFT) 基于尺度不变关键点的特征描述子——2004年
Abstract摘要本文提出了一种从图像中提取特征不变性的方法,该方法可用于在对象或场景的不同视图之间进行可靠的匹配(适用场景和任务).这些特征对图像的尺度和旋转不变性,并且在很大范围的仿射失真.3d ...
- BRIEF 特征描述子
Binary Robust Independent Elementary Features www.cnblogs.com/ronny 1. BRIEF的基本原理 我们已经知道SIFT特征采用了128 ...
- Brief描述子
一.Brief算法 1.基本原理 BRIEF是2010年的一篇名为<BRIEF:Binary Robust Independent Elementary Features>的文章中提出,B ...
- (一)ORB描述子提取
ORBSLAM2中使用ORB描述子的方法 经典的视觉SLAM系统大体分为两种:其一是基于特征点法的,其二是基于直接法的.那么本文主要就讲特征点法的SLAM. 基于特征点法的视觉SLAM系统典型的有PT ...
- BRIEF特征点描述子
简介 BRIEF是2010年的一篇名为<BRIEF:Binary Robust Independent Elementary Features>的文章中提出,BRIEF是对已检测到的特征点 ...
- 图像特征与描述子(直方图, 聚类, 边缘检测, 兴趣点/关键点, Harris角点, 斑点(Blob), SIFI, 纹理特征)
1.直方图 用于计算图片特征,表达, 使得数据具有总结性, 颜色直方图对数据空间进行量化,好比10个bin 2. 聚类 类内对象的相关性高 类间对象的相关性差 常用算法:kmeans, EM算法, m ...
- Opencv Surf算子中keyPoints,描述子Mat矩阵,配对向量DMatch里都包含了哪些好玩的东东?
Surf算法是一把牛刀,我们可以很轻易的从网上或各种Opencv教程里找到Surf的用例,把例程中的代码或贴或敲过来,满心期待的按下F5,当屏幕终于被满屏花花绿绿的小圆点或者N多道连接线条霸占时,内心 ...
随机推荐
- hdu4542 && ZOJ2562(反素数)
反素数: 对于任何正整数,其约数个数记为,例如,如果某个正整数满足:对任意的正整 数,都有,那么称为反素数. 有两个特点: 1.一个反素数的质因子必是从2开始的质数 2.如果,那么必有 最常见的问题如 ...
- 求n的阶乘
import java.util.Scanner; public class J { public static void main(String args[]) { //注释:int n=6 ...
- SSD-Tensorflow: 3 步运行 TensorFlow 单图片多盒目标检测器
昨天类似的 YOLO: https://www.v2ex.com/t/392671#reply0 下载这个项目 https://github.com/balancap/SSD-Tensorflow 解 ...
- ⏰Day.js 2kB超轻量时间库 和Moment.js一样的API
Moment.js 是一个大而全的 JS 时间库,很大地方便了我们处理日期和时间.但是 Moment.js太重了(200k+ with locals),可能一般项目也只使用到了她几个常用的API.虽然 ...
- button点击切换,获取按钮ID
<!DOCTYPE html> <html> <head lang="zh-CN"> <meta charset="UTF-8& ...
- IOS charles抓包HTTP
charles通常用来截取本地的网络封包,但也可以用它来截取其他设备上的网络请求.本篇以IOS为例,讲解如何进行相应的操作. 1.charles上的设置 要截取iphone上的网络请求,我们要先将ch ...
- h5的localStorage和sessionStorage
今天做了个首页的弹窗,要求是打开时显示弹窗,然后点击关闭按钮时弹窗关闭,然后点击不再显示,之后再刷新就不会有弹窗,总结一下需求. 1.弹窗显示隐藏 这个很容易,我们可以用display:none和di ...
- jquery easyui panel title文字格式设置
$('#txtLeftPercent').panel({ title: '剩余权重:' + '<b style="color:red">' + 100 + '%< ...
- c#默认类的修饰符。
类的默认修饰符是internal 当其修饰符为internal时,其他模块不能访问该类, 所以class类的修饰符一般为public
- MeshCollider双面化脚本
由于MeshCollider组件可以挂载多个,所以不需要Mesh重新合并了. 除了反转法线还需要反转所有三角面的顺序 脚本如下: using System.Collections; using Sys ...