PCA-SIFT

PCA-SIFT:一种更具特色的局部特征描述方法,稳定的局部特征检测和表示是许多图像配准和目标识别算法的基本组成部分。Mikolajczyk和Schmid最近评估了各种方法,并确定SIFT算法是最能抵抗常见图像变形的算法。本文研究(并改进)SIFT使用的局部图像描述符。与SIFT一样,我们的描述符在特征点的邻域中对图像梯度的显著方面进行编码;然而,我们没有使用SIFT平滑加权直方图,而是将主成分分析(PCA)应用于归一化梯度面片。实验结果表明,基于PCA的局部描述子比标准SIFT表示更具特色、对图像变形更鲁棒、更紧凑。我们还展示了在图像检索应用程序中使用这些描述符可以提高准确性和更快的匹配。


zbMATH参考文献(78篇文章引用)

显示第1到第20个结果,共78个。
按年份排序(引用)
  1. Fan,Wentao;Buuguila,Nizar;Chen,Yewang;Chen,Ziyi:(L_2)基于局部特征选择的von Mises分布Dirichlet过程混合模型的归一化数据聚类(2020)
  2. Barajas García,Carolina;Solorza Calderón,Selene;Gutiérrez-López,Everardo:尺度、平移和旋转不变小波局部特征描述符(2019)
  3. 迟建宁;余晓生;张逸飞;王欢:一种新颖的局部人类视觉感知纹理描述及纹理分类关键特征选择(2019)
  4. Mohit Kumar;Chatterjee,Sromona;Zhang,Weiping;Yang,Jingzhi;Kolbe,Lutz M.:基于模糊理论模型的图像特征分析(2019)
  5. Lindeberg,Tony:视频数据中的时空尺度选择(2018)
  6. 刘金平、何洁洲、唐朝辉、徐鹏飞、张武霞、桂卫华:基于对称Weibull分布纹理模式分类的复杂图像空间结构特征(2018)
  7. 罗德里格斯,马里亚诺;德隆,朱莉;莫雷尔,让-米歇尔:覆盖倾斜的空间。仿射不变图像比较的应用(2018)
  8. 西道,栾;余翔,谢;李莉,张;辛,张;陈,李;景蒙,何:一种基于稀疏编码的图像相似性加速检测算法(2018)
  9. Bohi,Amine;Prandi,Dario;Guis,Vincente;Bouchara,Frédéric;Gauthier,Jean Paul:基于人类初级视觉皮层结构的傅里叶描述子及其在物体识别中的应用(2017)
  10. 厄齐耶伊尔,奥努尔;沃罗宁斯基,弗拉迪斯拉夫;巴斯里,罗南;辛格,阿米特:从运动看结构(2017)
  11. Wen,Bihan;Ravishankar,Saiprasad;Bresler,Yoram:第一个翻转和旋转不变稀疏变换学习与应用(2017)
  12. 冯一柳;刘亚飞;刘恒珠:一种简单有效的实时应用筛选方法(2016)
  13. Rey Otero,Ives;Morel,Jean-Michel;Delbracio,Mauricio:尺度空间中影响关键点稳定性的因素分析(2016)
  14. Lindeberg,Tony:使用广义尺度空间兴趣点的图像匹配(2015)
  15. 杨丽莲卢章平:一种新的关键点检测与描述方案(2015)
  16. Kim,Hye-Won;Yoo,Suk I.:非重复图案图像的特征点匹配缺陷检测(2014)
  17. 雷,郝;梅,奎智;郑,南宁;董培祥;周宁;范建平:基于学习群体的区分性图像表征词典(2014)
  18. 刘灵巧;王磊:多线性描述子的HEp-2细胞图像分类(2014)ioport公司
  19. Mou,Wei;Wang,Han;Seet,Gerald:基于非线性最小二乘优化的鲁棒单应性估计(2014)
  20. 瞿秀杰;赵飞;周梦哲;霍海莉:一种新的快速鲁棒的二值仿射不变图像匹配描述子(2014)