传统的mean-shift 跟踪算法不能跟踪目标的旋转、缩放运动, 且常常因此造成定位不准. 鉴于此, 将尺度不变 特征变换(SIFT) 特征检测融入到mean-shift 跟踪过程, 提出SIFT 特征点的尺度变化与目标的尺度变化成正比, 特征 点主方向变化与目标旋转角度一致, 给出了基于SIFT 特征的自适应目标尺度、方向计算方法, 且利用带方向、可变 带宽的椭圆核改进传统的mean-shift 跟踪方法. 实验表明, 该算法能够较好地跟踪目标的旋转、缩放运动, 定位也更 准确.

PythonSIFT 这是在 NumPy 的帮助下完全在 Python 中完成的 SIFT（David G. Lowe 的尺度不变特征变换）的实现。 此实现基于OpenCV实现，并返回OpenCV KeyPoint对象和描述符，因此可以用作OpenCV SIFT的直接替代。 该存储库旨在帮助计算机视觉爱好者了解 SIFT 背后的细节。 2020/2/11 更新 PythonSIFT 已在 Python 3 中重新实现（并大大改进！）。您可以在legacy分支中找到原始 Python 2 版本。 但是，我强烈建议您使用master （新的 Python 3 实现）。 好多了。 依赖关系 Python 3 NumPy OpenCV-Python 最后使用Python 3.8.5 、 Numpy 1.19.4和OpenCV-Python 4.3.0成功测试。 用法 import cv2

Matlab三维图像代码SIFT3D 版权所有（c）2015-2019 Blaine Rister等，有关详细信息，请参阅LICENSE。 SIFT3D是三维图像的尺度不变特征变换（SIFT）的类似物。 它利用体积数据和真实单位来检测关键点并提取其内容的可靠描述。 它还可以通过匹配SIFT3D功能并使用RANSAC算法拟合几何变换来执行3D图像配准。 所有这些都在带有Matlab包装器的跨平台C库中实现。 SIFT3D包含imutil，它是用于图像处理和线性代数的实用程序库。 该库以各种医学成像格式执行文件IO，包括DICOM和NIFTI。 内容 此代码创建以下可执行文件： kpSift3D-从单个图像中提取关键点和描述符。 regSift3D-从两个图像中提取匹配项和几何变换。 和以下库： libreg.so-通过SIFT3D功能注册图像 libsift3d.so-提取并匹配SIFT3D功能 libimutil.so-用于图像处理，回归和线性代数的实用程序库。 包括用于DICOM和NIFTI文件格式的IO功能。 它还包含一个Matlab工具箱，用于从Matlab脚本中调用库函数。 有

噪声水平估计在许多图像处理应用（例如盲图像降噪）中至关重要。 在本文中，我们通过联合利用带通域中峰度的分段平稳性和正则性质，提出了一种用于自然图像的噪声级估计方法。 我们设计了一种基于K均值的算法，将图像自适应地划分为一系列不重叠的区域，每个区域的干净版本均假定与整个尺度上恒定但未知的峰度相关联。 然后，将噪声水平估计引入一个问题，以最佳地拟合此新峰度模型。 此外，我们开发了一种纠正方案，以通过噪声注入机制进一步降低估计偏差。 大量的实验结果表明，我们的方法可以可靠地估计各种噪声类型的噪声水平，并且优于某些最新技术，尤其是对于非高斯噪声。

SIFT（尺度不变特征变换）算法详细解释说明，简单易懂

基于局部特征提取方法是图像处理、分析及模式识别领域的热点研究问题之一。由于该技术有着广泛的应用前景，已经吸引了很多学者的关注，并涌现出了大量的研究成果。利用 SIFT 算法提取出的特征点进行图像匹配，对于图像的模糊、旋转、平移和尺度变换具有很强的鲁棒性，甚至对图像光照和视点变化具有一定的鲁棒性。本文主要研究了基于 SIFT 局部图像特征点提取算法。首先对特征点提取的原理进行了详细研究，针对SIFT算法原理分模块进行了研究；然后本文对SIFT特征点在图像匹配和图像拼接领域的应用进行了讨论；最后，为了验证本文算法的有效性和优越性，本文进行了仿真实验实验。实验结果表明，SIFT特征点在图像匹配和图像拼接领域具有极强的适应性。当图像之间存在一定的图像旋转、光照变化和视点变化时，仍然具有满意的匹配效果。

sift特征在基于内容的图像相似性检索中应用的实现，尺度不变性，旋转不变性程序实现的核心代码，可以直接运行

Harris是一种高效的角点检测算法，但不具备尺度不变性。SURF（speeded-up robust features）算法虽然能很好地解决图像尺度变化问题，但是在特征点提取方面没有Harris稳定。针对Harris和SURF两种算法的特点，提出一种新的Harris-SURF特征点提取算法。首先用Harris算法检测图像角点，再用SURF算法提取图像特征点；然后合并角点和特征点，并剔除重复点获得新的特征点集，确定新特征点的主方向并生成特征描述符，再对图像使用比值法进行初匹配；最后利用RANSAC剔除错误匹配点实现精确匹配。实验结果表明，该算法对图像存在旋转、缩放、光照及噪声变化有较强的鲁棒性，同时提高了运行效率。

用了挺长时间自己写的，不是前段时间网上流传的运行在linux上的那个。