众文网1.sift特征点正确匹配率是怎么计算出来的
一、特征点（角点）匹配
图像匹配能够应用的场合非常多，如目标跟踪，检测，识别，图像拼接等，而角点匹配最核心的技术就要属角点匹配了，所谓角点匹配是指寻找两幅图像之间的特征像素点的对应关系，从而确定两幅图像的位置关系。
角点匹配可以分为以下四个步骤：
1、提取检测子：在两张待匹配的图像中寻找那些最容易识别的像素点（角点），比如纹理丰富的物体边缘点等。
2、提取描述子：对于检测出的角点，用一些数学上的特征对其进行描述，如梯度直方图，局部随机二值特征等。检测子和描述子的常用提取方法有：sift,harris,surf,fast,agast,brisk,freak,brisk,brief/orb等。
3、匹配：通过各个角点的描述子来判断它们在两张图像中的对应关系，常用方法如 flann等。
4、消噪：去除错误匹配的外点，保留正确的匹配点。常用方法有KDTREE,BBF,Ransac,GTM等。
二、SIFT匹配方法的提出
为了排除因为图像遮挡和背景混乱而产生的无匹配关系的关键点，SIFT的作者Lowe提出了比较最近邻距离与次近邻距离的SIFT匹配方式：取一幅图像中的一个SIFT关键点，并找出其与另一幅图像中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离得到的比率ratio少于某个阈值T，则接受这一对匹配点。因为对于错误匹配，由于特征空间的高维性，相似的距离可能有大量其他的错误匹配，从而它的ratio值比较高。显然降低这个比例阈值T,SIFT匹配点数目会减少，但更加稳定，反之亦然。
Lowe推荐ratio的阈值为0.8，但作者对大量任意存在尺度、旋转和亮度变化的两幅图片进行匹配，结果表明ratio取值在0. 4~0. 6 之间最佳，小于0. 4的很少有匹配点，大于0. 6的则存在大量错误匹配点，所以建议ratio的取值原则如下：
ratio=0. 4：对于准确度要求高的匹配；
ratio=0. 6：对于匹配点数目要求比较多的匹配；
ratio=0. 5：一般情况下。
三、常见的SIFT匹配代码
1、vlfeat中sift toolbox中的vl_ubcmatch.c使用的是普通的欧氏距离进行匹配（该SIFT代码贡献自Andrea
Vedaldi）。
2、Lowe的C++代码中使用的是欧氏距离，但是在matlab代码中为了加速计算，使用的是向量夹角来近似欧氏距离：先将128维SIFT特征向量归一化为单位向量（每个数除以平方和的平方根），然后点乘来得到向量夹角的余弦值，最后利用反余弦（acos函数）求取向量夹角。实验证明Lowe的办法正确率和耗时都很不错。
同样，也可以采用knnsearch函数求最近点和次近点：knnsearch采用euclidean距离时得到的结果与lowe采用的近似方法结果几乎一致，正好印证了模拟欧氏距离的效果。
3、Rob Hess的OpenSIFT采用了KDTREE来对匹配进行优化。
4、CSDN大神v_JULY_v实现了KDTREE+BBF对SIFT匹配的优化和消除错误匹配：从K近邻算法、距离度量谈到KD树、SIFT+BBF算法
- 结构之法 算法之道 - 博客频道 - CSDN.NET。
5、OpenCV中features2d实现的SIFT匹配有多种matcher:,BFMatcher(Brute-force descriptor matcher),FernDescriptorMatcher,,FlannBasedMatcher 等等。目前只知道采用knnsearch，提供了多种距离度量方式，具体区别不懂。
2.matlab问题：能解释下面一段程序中的第2句中的imopen(I,strel('disk',16)
I=imread('rice.png')； %读取米的图片到I
backgroud=imopen(I,strel('disk',16)）； %把开元素的构造元素（Structuring element）指定形状圆盘，大小16。到background
imshow(backgroud)； %显示background
figure,surf(double(backgroud(1:8:end,1:8:end))),zlim([0 256])； %控制图窗窗口，创建曲面对象，类型是double，用indexing syntax只查看每个方向上8个像素中的一个，设置z轴的范围0到256
set(gca,'Ydir','reverse'); %gca当前的坐标区或轴，设置沿y轴反转值
官方文档中心都可以搜到网页链接
3.怎么提取SURF匹配后的图像特征点坐标
vector object;vector scene;for( size_t i = 0; i < goodMatches.size(); i++ ){object.push_back( keypointsObject[ goodMatches[i].queryIdx ].pt );scene.push_back( keypointsScene[ goodMatches[i].trainIdx ].pt ); }for (int i=0;i 计算机图形学是随着计算机及其外围设备而产生和发展起来的，作为计算机科学与技术学科的一个独立分支已经历了近40年的发展历程。 一方面，作为一个学科，计算机图形学在图形基础算法、图形软件与图形硬件三方面取得了长足的进步，成为当代几乎所有科学和工程技术领域用来加强信息理解和传递的技术和工具。另一方面，计算机图形学的硬件和软件本身已发展成为一个巨大的产业。 1.计算机图形学活跃理论及技术（1）分形理论及应用分形理论是当今世界十分活跃的新理论。作为前沿学科的分形理论认为，大自然是分形构成的。 大千世界，对称、均衡的对象和状态是少数和暂时的，而不对称、不均衡的对象和状态才是多数和长期的，分形几何是描述大自然的几何学。作为人类探索复杂事物的新的认知方法，分形对于一切涉及组织结构和形态发生的领域，均有实际应用意义，并在石油勘探、地震预测、城市建设、癌症研究、经济分析等方面取得了不少突破性的进展。 分形的概念是美籍数学家曼德布罗特（B.B.Mandelbrot）率先提出的。1967年他在美国《科学》杂志上发表了题为《英国的海岸线有多长？》的著名论文。 海岸线作为曲线，其特征是极不规则、极不光滑的，呈现极其蜿蜒复杂的变化。它无法用常规的、传统的几何方法描述。 我们不能从形状和结构上区分这部分海岸与那部分海岸有什么本质的不同，这种几乎同样程度的不规则性和复杂性，说明海岸线在形貌上是自相似的，也就是部局形态和整体形态的相似。在没有建筑物或其他东西作为参照物时，在空中拍摄的100公里长的海岸线与放大了的10公里长海岸线的两张照片，看上去十分相似。 曾有人提出了这样一个显然是荒谬的命题：“英国的海岸线的长度是无穷大。”其论证思路是这样的：海岸线是破碎曲折的，我们测量时总是以一定的尺度去量得某个近似值，例如，每隔100米立一个标杆，这样，我们测得的是一个近似值，是沿着一条折线计算而得出的近似值，这条折线中的每一段是一条长为100米的直线线段。 如果改为每10米立一个标杆，那么实际量出的是另一条折线的长度，它的每一个片段长10米。显然，后一次量出的长度将大于前一次量出的长度。 如果我们不断缩小尺度，所量出的长度将会越来越大。这样一来，海岸线的长度不就成为无穷大了吗？ 为什么会出现这样的结论呢？曼德布罗特提出了一个重要的概念：分数维，又称分维。 一般来说，维数都是整数，直线线段是一维的图形，正方形是二维的图形。在数学上，把欧氏空间的几何对象连续地拉伸、压缩、扭曲，维数也不变，这就是拓扑维数。 然而，这种维数观并不能解决海岸线的长度问题。曼德布罗特是这样描述一个绳球的维数的：从很远的距离观察这个绳球，可看作一点（零维）；从较近的距离观察，它充满了一个球形空间（三维）；再近一些，就看到了绳子（一维）；再向微观深入，绳子又变成了三维的柱，三维的柱又可分解成一维的纤维。 那么，介于这些观察点之间的中间状态又如何呢？显然，并没有绳球从三维对象变成一维对象的确切界限。英国的海岸线为什么测不准？因为欧氏一维测度与海岸线的维数不一致。 根据曼德布罗特的计算，英国海岸线的维数为1.26。有了分维的概念，海岸线的长度就可以确定了。 1975年，曼德布罗特发现：具有自相似性的形态广泛存在于自然界中，如连绵的山川、飘浮的云朵、岩石的断裂口、布朗粒子运动的轨迹、树冠、花菜、大脑皮层……曼德布罗特把这些部分与整体以某种方式相似的形体称为分形（Fractal），这个单词由拉丁语Frangere衍生而成，该词本身具有“破碎”、“不规则”等含义。 曼德布罗特的研究中最精彩的部分是1980年他发现的并以他的名字命名的集合，他发现整个宇宙以一种出人意料的方式构成自相似的结构。 Mandelbrot集合图形的边界处，具有无限复杂和精细的结构。在此基础上，形成了研究分形性质及其应用的科学，称为分形理论（Fractal theory）或分形几何学（Fractal geometry）。 分形的特点和理论贡献 数学上的分形有以下几个特点： （1）具有无限精细的结构； （2）比例自相似性； （3）一般它的分数维大于它的拓扑维数； （4）可以由非常简单的方法定义，并由递归、迭代产生等。 （1）(2)两项说明分形在结构上的内在规律性。 自相似性是分形的灵魂，它使得分形的任何一个片段都包含了整个分形的信息。第（3）项说明了分形的复杂性，第（4）项则说明了分形的生成机制。 我们把传统几何的代表欧氏几何与以分形为研究对象的分形几何做一比较，可以得到这样的结论：欧氏几何是建立在公理之上的逻辑体系，其研究的是在旋转、平移、对称变换下各种不变的量，如角度、长度、面积、体积，其适用范围主要是人造的物体；而分形由递归、迭代生成，主要适用于自然界中形态复杂的物体，分形几何不再以分离的眼光看待分形中的点、线、面，而是把它们看成一个整体。 我们可以从分形图案的特点去理解分形几何。 分形图案有一系列有趣的特点，如自相似性、对某些变换的不变性、内部结构的无限性等。此外，分形图案往往和一定的几何变换相。 随着秋天的来临，我们一年级预定计划中的《找秋天》综合实践主题活动也正式展开了。 在这次活动中，孩子们开始走出校门，在家长的带领下，带着对大自然的神秘和向往，投入到大自然的怀抱中，极力地寻找，尽情地感受，用眼看，用耳听，表现十分活跃；他们把自己的收获用稚嫩的笔画下来，用夹带着拼音的文字记下来，用一张张生动活泼的照片拍下来。通过实践体验，收获不少，学生的观察、调查能力得到了培养，同时初步培养了大胆探索和勇于实践的精神；通过活动，学生对秋天有了一定的认识和了解，对大自然有了一种亲切感，大自然成了他们的第二课堂。 这次活动，对低年级学生在校外怎样进行实践体验作了有益的探索，成为一年级综合实践活动的新起点。 在生动有趣的活动中激发探求的兴趣 活动在《美丽的秋天》图片展示中拉开序幕。 一张张美丽的秋天风景照一出来，学生一阵阵的惊讶，“多么美丽的图画啊！”“啊，原来现在已经是秋天了！”孩子们的惊叫声还未停，头戴花环、身穿漂亮花裙的“秋姑娘”随着《野菊花》的优美音乐翩翩起舞。孩子们再也无法抑制内心的兴奋，纷纷鼓起掌来，教室里顿时响起热烈的掌声，伴随着的是啧啧的称赞声。 教室里弥漫着浓浓的秋色，孩子们陶醉了。这时，我不失时机地提问：“同学们，秋姑姑已经来到了我们身边，那么，你是从哪些事物中感觉到的？”学生一个个迫不及待地发言。 有的说，是看到菊花感觉到的；有的说，是看到树叶黄了感觉到的。这时我提出：今天我们的任务是要从自己的身边开始来找秋天。 在散文朗诵《小公园的秋天》过后，我问学生：“我们可以从哪些地方去找秋天？”学生有的说公园，有的说花园，有的说校园，有的说山上，还有的说田野。我又问学生：“在公园里，在校园里，在山上，在田野里，你可以通过哪些事物来找到秋天的足迹？”学生纷纷畅所欲言。 我小结，我们可以通过田野里的稻子、麦子、棉花，公园里的花、草、树木，校园里的花坛、树木、小朋友，天空中的大雁、燕子等来找到秋天的足迹。学生非常感兴趣，好奇心被激发了，调查的欲望被调动起来。 我又提问：“我们在找到秋天以后，怎样把这些这些秋天的足迹记录下来？”学生发言，可以用画把美丽的秋色画下来；用摄象机、照片把湖光山色拍下来；用录音把动听的鸟叫声录下来；用文章把美丽的景色写下来；用歌声把美丽的秋色唱出来；做树叶标本把秋色留下来。“除了以上说的，我们还可以通过哪些办法来找到秋天？”学生说，还可以收集一些描绘秋天风光的图画，我启发他们，除了图画，还可以收集邮票、火花、糖果纸及照片，甚至可以上网查寻有关资料。 这时，学生个个跃跃欲试，急切地想投入到《找秋天》活动中去。学生在图片展示、舞蹈激情、诗歌感染中激发了探求大自然的兴趣，积极性被充分调动起来了，而且知道了怎样去找秋天，这样就为第二阶段的观察活动打下了基础。 在亲身实践探索中体验秋天的美丽 这次活动是学生第一次走出校门，走向大自然去实践体验，充满了新奇和困难，况且我们的综合实践活动还处于探索阶段，对于这次活动能否成功，我们很是担忧，他们毕竟只有一年级啊！为了保证这次活动圆满成功，我趁开家长会的时机，特地要求家长配合学校的工作，利用休息时间，一定要带着孩子出去，到公园去逛逛，到山上去走走，到田野上去看看，让孩子亲自去体验，去感受，去获得对秋天的一份真实的感性认识。家长们都表示配合。 我还要求学生一定要把自己所找到的秋天用自己喜欢的方式记下来。之后，我通过调查，了解到除了个别几个学生因为父母忙，没有出去，只观察了校园、自己家的院子，绝大多数学生都在家长的陪同下进行了观察实践，大部分学生观察了青龙山、北安广场、定海公园等，还有的学生还观察了田野，收获很大，学生通过找秋天，感受到了秋天的美丽，也知道了秋天是一个成熟的季节，对秋天有了一个实实在在的认识，活动基本上达到了预期的效果。 在汇报总结中体验快乐和成功 《找秋天》观察活动结束，我就组织了一次汇报总结课。学生把自己的观察收获一一向同学们展示。 不少学生把自己看到的秋天景色用稚嫩的笔画了下来，他们纷纷上台，向同学们介绍自己眼里的秋天；也有不少学生用夹带着拼音的文字记下了美丽的秋天，如竺立群小朋友写道：“秋天，桂花、菊花都开了，很美的色彩；秋天的风是那样的芳香；太阳出来了，还是那么的红，那么的亮，但是火辣辣的光焰已被秋风冲凉了；小道上的树叶，从绿变黄、发红，那是秋风涂的色……秋天的景色真美啊！”字里行间，无不流露着对秋天的赞美之情，对大自然的无比热爱之情；还有小朋友用照片拍下了草坪上的小草、山坡上的野花、公园里的菊花。最有趣的是袁未纬小朋友，自己编了一段舞蹈来表现秋天的美景。 虽然他们的文字还显得那样的稚嫩，他们的舞姿也谈不上优美，但是，一段文字，一个舞姿，一朵野花，一片小草，分明流露着他们心中的喜悦，流露着他们对大自然的无比热爱之情，流露着他们体验到的成功的快乐。 通过这次活动，学生亲身投入到大自然的。 转载请注明出处众文网 » 采用surf特征点匹配的二维校园场景图像拼接毕业论文(sift特征点正确匹配率是怎么计算出来的)4.图形拼接中的规律：观察图形的（）,从中发现有规律性的问题
5.去郊外找秋天,把观察到的内容写一编论文