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
- 例10-7 uva10820(欧拉)
题意:输入n,要求满足1≤x,y≤n,且x,y互素的个数. 若输入2,则答案3为(1,1),(1,2),(2,1);所以欧拉函数求出所有数的phi值,除了1之外都加上phi值的2倍即可 通过推导: p ...
- [bzoj4868][Shoi2017]期末考试
来自FallDream 的博客,未经允许,请勿转载,谢谢. 有n位同学,每位同学都参加了全部的m门课程的期末考试,都在焦急的等待成绩的公布.第i位同学希望在第ti天或之前得知所.有.课程的成绩.如果在 ...
- SQL Server2008 安装失败后的解决办法
SQL Server2008 安装不容易成功,或许用这种方法可能会安装成功. 首先,把电脑上的SQL Server2008 卸载干净 怎么卸载干净? 1.找到控制面板-->卸载程序--& ...
- python2.7练习小例子(二)
2):题目:企业发放的奖金根据利润提成.利润(I)低于或等于10万元时,奖金可提10%:利润高于10万元,低于20万元时,低于10万元的部分按10%提成,高于10万元的部分,可提成7.5%:2 ...
- sssp-springmvc+spring+spring-data-jpa增删改查
环境:IDE:eclipse.jdk1.7.mysql5.7.maven 项目结构图 上面目录结构你可以自己创建 搭建框架 首先加入maven依赖包以及相关插件 <dependencies> ...
- 操作系统中的几种调度算法(JAVA版)
import java.text.DecimalFormat; import java.util.Arrays; import java.util.Scanner; /* * 作者:Chensx102 ...
- (MariaDB)开窗函数用法
本文目录: 1.1 窗口和开窗函数简介 1.2 OVER()语法和执行位置 1.3 row_number()对分区排名 1.4 rank()和dense_rank() 1.5 percent_rank ...
- axios的兼容性处理
一.简介 看看官网的简介: "Promise based HTTP client for the browser and node.js" 译:基于 Promise 的 HTTP ...
- ionic3-ng4学习见闻--(多环境方案)
搜了很久,很难找到一个详细入微,开箱即用的方案. 于是我 百折不挠的,搞出来一个,也不知道是不是最完美的方案,有什么可以优化的地方可以指出,谢谢. 首先, 1.项目目录下(与src平级),新增conf ...
- android基础-界面开发注意事项
做安卓开发时一定要注意,主线程不能更改UI界面,如果出现程序运行时崩溃的情况,如果没有明显的语法错误,请检查自己的进程是否出现冲突,崩溃.如果有与后台的连接,即请求向服务器发送请求的时尤其需要注意,或 ...