排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
2.
提出了一种新的SUSAN-Laplace角点算子。新算子首先使用拉普拉斯-高斯核对图像进行卷积,并将图像转换为二值或三值图像,然后使用SUSAN算子检测角点。这样既快速又具有SUSAN算子的位置精确性。SUSAN- Laplace角子具有较好的旋转、仿射、光照、尺度和噪声不变性,其计算速度也较快,比Harris角点快1.5倍,比SUSAN角点快6倍。应用中SUSAN-Laplace角子有一种快速算法,快速算法在计算拉普拉斯-高斯卷积时使用移位运算代替全部乘除法运算,能进一步提高计算速度。SUSAN-Laplace角子较其它角点算法能产生更丰富的角点,应用到SIFT算法中可提高对小目标的识别能力。 相似文献
3.
图像局部特征识别中的多目标分离 总被引:3,自引:0,他引:3
研究了一种多目标识别算法,该算法用SUSAN角点形成SIFT特征点,采用阶梯图像金字塔结构实现尺度不变,为所有匹配点建立统一的超定线性方程组并对该方程组系数矩阵进行简化使其维数降低一半,得到增广矩阵.对增广矩阵进行列变换,依据坐标转换的特性可从中提取多目标的稳定正常点,实现了快速分离多目标的匹配点.结果表明,利用新算法得到的多目标识别结果能保证最小二乘法迭代运算快速收敛,且一次迭代就能得到精度较高的目标定位参量,根据SIFT标准的128维局部特征描述符判别匹配点,匹配点数量较SIFT算法多一倍,分离多目标速度较Hough变换快2~3倍. 相似文献
1