社区
下载资源悬赏专区
帖子详情
多分辨率双边滤波的代码下载
weixin_39820835
2019-08-17 05:00:25
多分辨率双边滤波的代码,对应文章Multiresolution Bilateral Filtering for Image Denoising
相关下载链接:
//download.csdn.net/download/tedd2012/5093945?utm_source=bbsseo
...全文
8
回复
打赏
收藏
多分辨率双边滤波的代码下载
多分辨率双边滤波的代码,对应文章Multiresolution Bilateral Filtering for Image Denoising 相关下载链接://download.csdn.net/download/tedd2012/5093945?utm_source=bbsseo
复制链接
扫一扫
分享
转发到动态
举报
写回复
配置赞助广告
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
多
分辨率
双边滤波
的
代码
多
分辨率
双边滤波
的
代码
,对应文章Multiresolution Bilateral Filtering for Image Denoising
联合双边上采样
联合双边上采样算法实现,是图像超
分辨率
的一种实现方法!
IMAGE-Pro:该存储库包含基本图像处理方法的
代码
实现,包括全局局部直方图均衡,迭代
双边滤波
器,MAP tikhonov去模糊,多帧超
分辨率
,基于光流金字塔的运动估计和纸张的简单实现
图像专业版 该存储库包含基本图像处理方法的
代码
实现,包括全局/局部直方图均衡,迭代
双边滤波
,MAP tikhonov去模糊,多帧超
分辨率
,基于光流/金字塔的运动估计,以及针对纸张的简单实现:分离探测器自适应光学扫描光学检眼镜图像中的锥形感光器”,《生物医学快报》,第2036-2050页,2016年5月。
OpenCP:计算摄影库。 通过使用SIMD内在函数和多线程对
代码
进行并行化
OpenCP的 计算摄影库 文件 待办事项 **从我的库中移植各种过滤器。**
双边滤波
近似 可分离 双边网格 恒定时间O(1)双边 实时O(1)双边 添加dxt阈值进行降噪 添加超
分辨率
演示以进行迭代的反向投影。 为逐行聊天添加用于灰色,更有效的隐含性的递归二元滤波器? 添加域变换过滤器 添加域转换过滤器测试。6/ 11 为RF滤波器添加各种simd实现。6/ 11 添加SIMD V方向版本。 添加域转换过滤器的其他实现 编写详细信息增强文档 添加细节增强类。 添加彩色接缝最近的滤镜 添加模板和并行过滤测试。 需要立体声匹配/成本滤波器进行联合滤波。 需要sse适应cvtColorBGRA2BGR,cvtColorBGR2BGRA 需要一个不带LUT或量化功能的浮动双心滤波器来进行反投影。 ~~删除FFTW ~~ C:\ Users \ fukushima \ D
图像处理案例三之(2)SIFT特征点检测.docx
SIFT概述p200 在前面我们学习了角点检测技术,比如Harris等。它们具有旋转不变特性,即使图片发生了旋转,我们也能找到同样的角点,很明显即使图像发生旋转之后角点还是角点。但是如果我们对图像进行缩放,那么角点就可能不再是角点了。所以基于这个问题,尺度不变特征变换(SIFT)出现了,这个算法可以帮助我们提取图像中的关键点并计算它们的描述符。 • 尺度空间极值检测 • 关键点精准定位与过滤 • 关键点方向指派 • 描述子生成 1. 尺度空间极值检测: (由Harris的弊端)我们知道在不同的尺度空间不能使用相同的窗口检测极值点。对于小的角点要用小的窗口。对于大的角点只能使用大的窗口。为了达到这个目的我们需要使用尺度空间滤波器(由一些列具有不同方差sigma的高斯卷积核构成)。 使用具有不同方差值sigma的高斯拉普拉斯算子(LoG)对图像进行卷积,LoG由于具有不同的方差值sigma所以可以用来检测不同大小的斑点,简单来说方差sigma就是一个尺度变换因子,使用一个小方差sigma的高斯卷积核可以很好地检测出小的角点,而是用大方差sigma的高斯卷积核可以很好打的检测出大的角点。 我们可以在尺度空间和二维平面中检测到局部最大值,如(x,y,sigma),这表示sigma尺度中(x,y)点可能是一个关键点。但是这个LoG的计算量非常大,所以SIFT算法使用高斯差分算子(DoG)来对LoG做近似。 DoG是下图这组具有不同
分辨率
的图像金字塔中相邻的两层之间的差值。 在DoG搞定之后,就可以在不同的尺度空间和2D平面中搜索局部最大值了。对于图像中的一个像素点而言,它需要与自己周围的8个点和上下层18个点相比,如果是局部最大值,它就可能是一个关键点。基本上关键点就是图像在相应尺度空间中的最好代表。如下图所示: 该算法中默认尺度空间为5,经过DoG算法得到4层。所以该算法的作者在文章中给出了SIFT参数的经验值:octave =4。 2. 关键点(极值点)定位---删边界点,去掉低灰度值点 kp 我们通过contrastThreshold阈值来将关键点修正以得到更正确的结果。作者使用尺度空间的泰勒级数展开来获得极值的准确位置,若极值点的灰度值小于阈值(0.03)就会被忽略掉。 DoG算法对边界非常敏感,所以我们必须要把边界去除。我们知道Harris算法除了可以用于角点检测之外还可以用于检测边界。作者就是使用了同样的思路。作者用了Hessian矩阵计算主曲率。从Harris角点检测的算法中,我们知道当一个特征值远远大于另一个特征值检测到的是边界。所以他们使用了一个简单的函数,如果比例高于阈值(opencv中称为边界阈值),这个关键点就会被忽略。文章中给出的边界阈值为10.。 3. 为关键点(极值点)指定方向参数 ,描述符生成: des1 现在我们要为每一个关键点赋予一个反向参数,这样它才会具有旋转不变性。 获取关键点(所在尺度空间)的邻域,然后计算这个区域的梯度级和方向,根据计算得到的结果来创建一个方向直方图,其中直方图的峰值为主方向参数,如果其它的任何柱子的高度高于峰值的80%,则被认为是辅方向。 新的关键点描述被创建了。选取与关键点周围一个16*16的邻域,把它分成16个4*4的小方块,为每个小方块创建一个具有8个bin的方向直方图。总共加起来有128个bin,由此组成了128的向量就构成了关键点的描述符。 而
代码
sift = cv.xfeatures2d.create_SIFT() kp,des=sift.detectAndCompute(gray,None)这两句话的原理就是1-3 4. 关键点匹配 采用关键点特征向量的欧式距离作为两幅图像中关键点的相似性判定度量。取第一个图的某个关键点,通过遍历找到第二幅图像中的距离最近的那个关键点。cv.BFMatcher,match()就是这个原理,1对1特征点,即返回最佳匹配。 而在有些情况下,第二个距离最近的关键点与第一个距离最近的关键点靠的太近,这可能是由于噪声等引起的,此时要计算最近距离与第二近距离的比值,如果比值大于0.8,就会忽略掉。而cv.BFMatcher.knnMatch就是基于这个原理 cv.BFMatcher.knnMatch可以指定每个关键点返回k个最佳匹配,这里不妨令k=2。 源码: img1 = cv.imread("E:/opencv/picture/test1.jpg") img2 = cv.imread("E:/opencv/picture/test2.jpg") gray1 = cv.cvtCo
下载资源悬赏专区
12,695
社区成员
12,202,675
社区内容
发帖
与我相关
我的任务
下载资源悬赏专区
CSDN 下载资源悬赏专区
复制链接
扫一扫
分享
社区描述
CSDN 下载资源悬赏专区
其他
技术论坛(原bbs)
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章