- 综合排序
- 最热优先
- 最新优先
- 来自专栏架构之巅
opencv3.0 无法使用FeatureDetector.SURF
opencv的features2d包中提供了surf,sift和orb等特征点算法，根据测试结果发现在opencv3.0的java版本中存在一些bug，导致surf算法无法使用，会抛出如下异常： OpenCV org.opencv.features2d.FeatureDetector.create(FeatureDetector.java:88) 外网也有人发现此问题：https://stackoverflow.com/questions/30657774/surf-and-sift-algorithms-doesnt-work-in-opencv java 补充： OpenCV 中和 2D 特征检测相关的算法的头文件位于opencv\modules\features2d\include\opencv2\features2d.hpp，除SIFT、SURF opencv\modules\nonfree\include\opencv2\nonfree\features2d.hpp，只包含SIFT、SURF这两个受专利保护的特征，因此不是免费的（nonfree
1.2K31发布于 2020-11-09 - 来自专栏大师级码师
OpenCV图像匹配算法之surf
> matches_surf, inliers_surf; surf_detector.detect(img1,kpts1_surf); surf_detector.detect (img1,kpts1_surf,desc1_surf); surf_descriptor.compute(img2,kpts2_surf,desc2_surf); matcher_l2 ->knnMatch(desc1_surf,desc2_surf,dmatches_surf,2); matches2points_nndr(kpts1_surf,kpts2_surf,dmatches_surf if(show == true) { draw_inliers(img1_rgb_surf,img2_rgb_surf,img_com_surf,inliers_surf 使用 INFO surf_info; surf(path1,path2,surf_info,false); showInfo(surf_info);
80710发布于 2021-09-19 - 来自专栏流川疯编写程序的艺术
OpenCV特征点检测------Surf（特征点篇）
Surf(Speed Up Robust Feature) Surf算法的原理 Sift采用的是DOG图像，而surf采用的是Hessian矩阵行列式近似值图像。Hessian矩阵是Surf算法的核心，为了方便运算，假设函数f(z，y)，Hessian矩阵H是由函数，偏导数组成。 而在surf中，不统计其梯度直方图，而是统计特征点领域内的harr小波特征。 特征 surf特征是类似于SIFT特征的一种尺度不变的特征点，它的优点在于比SIFT效率要高，在实际运算中可以达到实时性的要求，关于SURF的原理这里就不过多的介绍，网络上这类的文章很多。 类似于FAST特征点的求法，SURF也可以使用通用接口求得，而SURF特征的类为SurfFeatureDetector，类似的SIFT特征点的检测类为SiftFeatureDetector。
2.7K40编辑于 2022-05-06 - 来自专栏智能算法
基于SURF算法相似图像相对位置的寻找
例如以下两个相似证件的模板，若以其中一幅图像为模板，并给出相应的位置，可以给出其他相似图像进行定位相对应的位置，如下图所示，其中除了标题和样式一样，内容确是不同的，这个时候就可以利用SURF进行特征点匹配 先说说SURF算法： 一、积分图像 积分图像的概念是由Viola和Jones提出的。 3、hession矩阵行列式的简化 当我们用sigma = 1.2.的高斯二阶微分滤波，模板尺寸为9X9最小的尺度空间值对图像进行滤波和斑点检测，最终简化式如下，这是SURF论文里面Hession响应值计算公式 ，SURF的金字塔属于第二种： ? SURF中采用9X9尺寸的滤波器作为起始滤波器，之后的滤波器尺寸可由以下公式计算得出： ?
2.1K70发布于 2018-04-03 opencvsharp sift和surf特征点匹配
SIFT特征和SURF特征比较 SIFT特征基本介绍 SIFT(Scale-Invariant Feature Transform)特征检测关键特征： 建立尺度空间，寻找极值 关键点定位（寻找关键点准确位置与删除弱边缘 Bin，大于max*80%的都保留 这样就实现了旋转不变性，提高了匹配时候的稳定性 大约有15%的关键点会有多个方向 关键点描述子 拟合多项式插值寻找最大Peak 得到描述子 = 4*4*8=128 SURF
18700编辑于 2025-07-20- 来自专栏月色的自留地
图像识别基本算法之SURF
算法 SURF是speed up robust feature的缩写，可以视为加速版的Sift算法。 SURF的特点： 使用积分图像完成图像卷积（相关）操作; 使用Hessian矩阵检测特征值； 使用基于分布的描述符（局部信息）。 SURF算法的一般步骤为： 构建Hessian矩阵； 构建尺度空间； 精确定位特征点； 主方向确定； 跟TensorFlow中碰到的情况一样，目前这些常用的算法，在大多的机器学习框架中都已经封装完成了 下面是网上转来的使用OPENCV进行SURF特征点检测示例源码： #include "highgui/highgui.hpp" #include "opencv2/nonfree/nonfree.hpp 算法原理 Opencv Surf算子特征提取与最优匹配 特征点检测学习_2(surf算法)
3K80发布于 2018-06-15 - 来自专栏小鹏的专栏
使用openCV提取sift；surf；hog特征
cv2.SIFT() cv2.SURF() cv2.HOGDescriptor() 使用cv2.SIFT的一个样例：(cv2.SURF使用与之类似) #coding=utf-8 import cv2
74610编辑于 2022-05-09 - 来自专栏微卡智享
C++ OpenCV特征提取之SURF特征检测
SURF特征基本介绍 SURF(Speeded Up Robust Features)特征关键特性： 特征检测 尺度空间 选择不变性 特征向量 SURF算法工作原理 选择图像中的POI(Points of interest) Hessian Matrix 在不同的尺度空间发现关键点，非最大信号压制 发现特征点方法、旋转不变性要求 生成特征向量 SURF构造函数介绍 C++: SURF::SURF extended=false, bool upright=false --表示计算选择不变性，不计算的速度更快 ) 代码演示 我们再新建一个项目名为opencv--surf 开始进行SURF检测 因为我们要用到cv::xfeatures2d::SURF这个类，所以首先要在头文里要引用xfeatures2d.hpp的头文件 ? ? ---- 我们还可以再试试SURF的构造函数里面加上不同的参数的改变看看效果 ? 上面可以看到在SURF::create里面，把几个默认的参数都进行的赋值和修改，运行的效果为 ?
2.7K20发布于 2019-07-24 - 来自专栏CSDN博客专家-小蓝枣的博客
OpenCV 入门教程：SIFT和SURF特征描述
OpenCV 入门教程： SIFT 和 SURF 特征描述 导语 SIFT （尺度不变特征变换）和 SURF （加速稳健特征）是图像处理中常用的特征描述算法，用于提取图像中的关键点和生成对应的特征描述子 二、SURF特征描述原理 SURF 算法是基于 SIFT 算法的改进版本，主要目的是加速计算速度和提高算法的稳健性。 SURF 特征描述利用图像的局部特征和梯度直方图来描述关键点。 与 SIFT 相比， SURF 使用了积分图像来加速特征计算，并采用了一种更快的描述子生成方法。 SURF 特征描述具有尺度不变性、旋转不变性和光照不变性，并且计算速度更快。 = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 创建SURF对象 surf = cv2.xfeatures2d.SURF_create() # 检测关键点和计算描述子 祝你在使用 OpenCV 进行 SIFT 和 SURF 特征描述的过程中取得成功！
2K20编辑于 2023-07-11 - 来自专栏PingCAP的专栏
SuRF: 一个优化的 Fast Succinct Tries
作者：唐刘 在前一篇文章中，我简单介绍了 Succinct Data Structure，这里我们继续介绍 SuRF。 在上图中， SuRF 使用了 ‘$’ 这个符号（实际对应的值是 0xFF）来表示这样的情况。 最后一个字节序列就是 D-Values，存储的是固定大小的 value。 Optimization 对于 SuRF 来说，为了提高查询的速度，一个重要的优化手段就是提高 rank 和 select 执行的效率，在 SuRF 里面，引入了 LookUp Table（LUT）。 当然，SuRF 还有其它很多优化手段，譬如使用 SIMD 来提速 label 的查找，使用 prefetchj 技术等，这里就不说明了。 SuRF 数据，所以我们就需要对 SuRF 进行裁剪，不存储所有的信息，也就是说，我们需要在查询的 False Positive Rate（FPR）和空间上面做一个权衡。
1.5K50发布于 2018-06-25 - 来自专栏机器学习、深度学习
ubuntu16.0.4 opencv4.0.0 GPU 版本的 SURF
opencv4.0.0 自带的 samples GPU surf_keypoint_matcher.cpp surf_keypoint_matcher.cpp #include <iostream surf(img2, GpuMat(), keypoints2GPU, descriptors2GPU); cout << "FOUND " << keypoints1GPU.cols << (keypoints1GPU, keypoints1); surf.downloadKeypoints(keypoints2GPU, keypoints2); surf.downloadDescriptors surf_keypoint_matcher.cpp ) target_link_libraries( SURF_test ${OpenCV_LIBS} ) cmake . /SURF_test --left box.png --right box_in_scene.png
1.5K30发布于 2019-05-27 - 来自专栏李蔚蓬的专栏
计算机视觉 OpenCV Android | SURF特征检测（ing）
1.SURF特征检测 SURF（Speeded Up Robust Feature）特征就是图像最常见的特征之一， 该方法在2006年由几位作者联合提出， 主要是用来克服SIFT（一种特征检测方法） 计算量比较大， 运行速度比较慢的缺点； SURF具有以下的优点： 基于积分图计算，快速关键点提取； 不同关键点描述； 快速描述子匹配； 同时具有旋转、尺度、光照不变性； SURF通过建立不同尺度的级联算子来实现高斯图像的尺度不变性特征 ， 计算LOG得到每个像素点的Hessian矩阵， 在建立级联算子实现Hessian矩阵的计算中， SURF使用了积分图来实现预计算， 通过积分图查找表实现Hessiam矩阵快速计算。 2.SURF特征描述子 特征描述子是用来描述每个关键点特征的唯一数据，它必须能够显著区分各个特征关键点的不同之处，SURF特征描述子是基于Haar小波响应理论的，可以通过积分图进行快速计算，描述子首先要选取关键点周围的像素块 这种方式没有考虑选择不变性，没有对每个描述子指派方向角度，称为U-SURF描述子，对上述描述子在0°～360°方向上使用滑动窗口60°大小计算滑动窗口的梯度和最大值，指派为该描述子的方向，0°～360°
97140发布于 2019-03-04 - 来自专栏智能算法
基于SURF算法相似图像相对位置的寻找
例如以下两个相似证件的模板，若以其中一幅图像为模板，并给出相应的位置，可以给出其他相似图像进行定位相对应的位置，如下图所示，其中除了标题和样式一样，内容确是不同的，这个时候就可以利用SURF进行特征点匹配 先说说SURF算法： 一、积分图像 积分图像的概念是由Viola和Jones提出的。 ，SURF的金字塔属于第二种： ? SURF中采用9X9尺寸的滤波器作为起始滤波器，之后的滤波器尺寸可由以下公式计算得出： ? 基于SURF算法相似图像相对位置的寻找 免责声明：本文系网络转载。版权归原作者所有。如涉及版权，请联系删除！
2.4K70发布于 2018-04-02 - 来自专栏嵌入式学习
Matlab-Octave中绘制网格图和等高线：mesh 和 surf
.^2); % 计算函数值，zz也是21x21的矩阵 surf(xx, yy, zz); % 画出立体曲面图 colorbar; Matlab中绘制等高线：contour >> contour(
1.7K20发布于 2020-09-07 - 来自专栏3D视觉从入门到精通
详解计算机视觉中的特征点检测：Harris SIFT SURF ORB
SURF算法 SURF特征(Speeded Up Robust Features，加速鲁棒性特征)是对SIFT特征的进一步优化，基于Hessian矩阵构造金字塔尺度空间，利用箱式滤波器（box filter 相比于sift算法的高斯金字塔构造过程，surf算法速度有所提高。 SIFT特征与SURF特征的比较： [构建图像金字塔] SIFT特征利用不同尺寸的图像与高斯差分滤波器卷积；SURF特征利用原图片与不同尺寸的方框滤波器卷积。 ；SURF特征先利用Hessian矩阵确定候选点，然后进行非极大抑制 [特征点主方向] SIFT特征在正方形区域内统计梯度幅值的直方图，直方图最大值对应主方向，可以有多个主方向；SURF特征在圆形区域内计算各个扇形范围内 BRIEF的耗时非常短，在相同情形下计算512个特征点的描述子时，SURF耗时335ms,BRIEF仅8.18ms；匹配SURF描述子需28.3ms，BRIEF仅需2.19ms。
5.9K30发布于 2020-11-19 - 来自专栏FreeBuf
Surf：一款针对现代云环境的SSRF漏洞检测和利用工具
接下来，广大研究人员就可以直接使用下列命令将该项目源码克隆至本地了： git clone https://github.com/assetnote/surf.git 或者也可以使用go命令直接安装Surf ： go install github.com/assetnote/surf/cmd/surf@latest 工具使用 假设，一个名为bigcorp.txt的文件中已经包含了bigcorp.com 搜索所有可能包含SSRF漏洞的目标域名，并设置超时时间和并发线程数 surf -l bigcorp.txt -t 10 -c 200 # 搜索所有可能包含SSRF漏洞的目标域名，并打印所有主机信息 surf -l bigcorp.txt -d # 搜索指向一个内部/私有IP地址的全部主机信息 surf -l bigcorp.txt -x 工具可使用的参数选项信息如下： ❯ surf -h █ 项目地址 Surf：https://github.com/assetnote/surf
76130编辑于 2023-11-20 - 来自专栏Python基础、进阶与实战
Pygame入门3——分数、增加敌人、动画
= test_font.render(f"Score:{current}", False, (64,64,64)) screen.blit(score_surf,score_surf.get_rect (): global player_surf, player_index if player_rect.bottom <300: # jump player_surf = test_font.render(f"Score:{current}", False, (64, 64, 64)) screen.blit(score_surf, score_surf.get_rect = game_name_surf.get_rect(center=(400, 80)) game_message_surf = test_font.render("Press space to run" = player_walk[player_index] player_rect = player_surf.get_rect(midbottom=(80, 300)) player_stand_surf
1.3K20编辑于 2022-12-06 - 来自专栏NLP/KG
【5】OpenCV2.4.9实现图像拼接与融合方法【SURF、SIFT、ORB、FAST、Harris角点 、stitch 】
为了提高拼接的速度和质量，本文在特征提取时采用了改进的特征提取的算法，基于可靠性检测的SURF 算法，特征点粗匹配时采用快速匹配法。 SURF（Speeded Up Robust Feature） SURF算法是对图像进行不同尺寸空间的高斯卷积，然后进行特征点的提取，但是SURF对图像步骤进行了近似替换和简化，降低了计算量。 5×5个采样点的总的响应，推导出下面的矢量 可得4×4×4=64维的SURF 特征的描述符，完成预处理后，再进行特征匹配。 ORB算法比SIFT算法快100倍，比SURF算法快10倍。在计算机视觉领域有种说法，ORB算法的综合性能在各种测评里较其他特征提取算法是最好的。 参考博客：OpenCV探索之路（二十四）图像拼接和图像融合技术 OpenCV探索之路（二十三）：特征检测和特征匹配方法汇总【SURF、SIFT、ORB、FAST、Harris角点】
4.6K30编辑于 2022-12-21 - 来自专栏Python基础、进阶与实战
Pygame基础11-mask 蒙版
((0,0,0)) # 4. filling in the surface with a color surf_w,surf_h = new_obstacle_surf.get_size() for x in range(surf_w): for y in range(surf_h): if new_obstacle_surf.get_at((x,y))[0] ! () ship_rect = ship_surf.get_rect(center = (300,300)) ship_mask = pygame.mask.from_surface(ship_surf) = new_mask.to_surface() new_surf.set_colorkey((0,0,0)) surf_w, surf_h = new_surf.get_size () for x in range(surf_w): for y in range(surf_h): if new_surf.get_at
69410编辑于 2024-04-11 - 来自专栏caoqi95的记录日志
matplotlib 绘制轮廓图和 3D 图
= fig.gca(projection='3d') ax_surf.set_position([0.1,0.15,0.7,0.7]) X, Y = np.meshgrid(np.arange(0, 21), np.arange(0, 21)) surf = ax_surf.plot_surface(X, Y, V, cmap=cm.coolwarm, linewidth=0, antialiased=False) ax_surf.set_xticks(np.arange(0,21,4).astype(int)) ax_surf.set_yticks( np.arange(0,21,4).astype(int)) ax_surf.set_xlabel('Number of cars at location 2') ax_surf.set_ylabel( ([0.85,0.25,0.03,0.5]) cbar = fig.colorbar(surf, cax=ax_color, orientation='
1.4K50发布于 2019-06-11
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号