sift算法搭建(上半部,五,求二阶三阶黑塞矩阵的逆程序对比,c#实现)
先看二阶黑塞矩阵:
private void 二阶黑塞矩阵的逆(ref double a,ref double c,ref double b,ref double d)
{//未考虑bc-ad==0
//因为黑塞矩阵的逆*黑塞矩阵=单位矩阵
//a c*AA CC=1 0
//b d BB DD 0 1
//a*AA+c*BB=1;
//b*AA+d*BB=0;
aa=-d/(bc-ad);bb=b/(bc-ad)
//a*cc+c*dd=0;
//b*cc+d*dd=1;
///cc=c/(bc-ad);dd=-a/(bc-ad);
//所以a c*1/(bc-ad)*-d c= 1 0
// b d b -a 0 1
double tempa=0; double tempb=0; double tempc=0; double tempd=0;
double 系数=1.0/(b*c-a*d);
tempa=系数*(-d);
tempc = 系数 * (c);
tempb = 系数 * (b);
tempd = 系数 * (-a);
a = tempa; b = tempb; c = tempc; d = tempd;
}
注意:返回的逆黑塞矩阵值覆盖了原来的黑塞矩阵
再看三阶黑塞矩阵:
bool 黑塞矩阵三阶的逆(ref double a, ref double b, ref double c, ref double d, ref double e, ref double f, ref double g, ref double h, ref double i)
{
double 矩阵的值 = a * e * i + b * f * g + c * d * h - a * f * h - b * d * i - c * e * g;
if (0 == 矩阵的值) return false;
double 新a = e * i - h * f; 新a = 新a / 矩阵的值;
double 新b = b * i - h * c; 新b = -新b / 矩阵的值;
double 新c = b * f - c * e; 新c = 新c / 矩阵的值;
double 新d = f * g - i * d; 新d = 新d / 矩阵的值;
double 新e = c * g - i * a; 新e = -新e / 矩阵的值;
double 新f = c * d - a * f; 新f = 新f / 矩阵的值;
double 新g = d * h - g * e; 新g = 新g / 矩阵的值;
double 新h = a * h - g * b; 新h = -新h / 矩阵的值;
double 新i = a * e - b * d; 新i = 新i / 矩阵的值;
a = 新a;
b = 新b;
c = 新c;
d = 新d;
e = 新e;
f = 新f;
g = 新g;
h = 新h;
i = 新i;
return true;
}
调用三阶:注意:返回的逆黑塞矩阵值覆盖了原来的黑塞矩阵
bool hello= 黑塞矩阵三阶的逆(ref dxx,ref dxy,ref dxs,ref dxy,ref dyy,ref dys,ref dxs,ref dys,ref dss);//二阶导数的值全改变,要注意
sift算法搭建(上半部,五,求二阶三阶黑塞矩阵的逆程序对比,c#实现)相关推荐
- 图像局部特征(五)--斑点检测之SIFT算法原理总结
尺度不变特征变换匹配算法详解 Scale Invariant Feature Transform(SIFT) Just For Fun zdd zddmail@gmail.com 对于初学者, ...
- 拉普拉斯Laplace算子和高斯二阶导核(LOG算子)和SIFT算法
前置知识 边缘检测:图像边缘的强度(边缘线的清晰度)由图像的梯度的强度决定,因为梯度值越强,说明x轴.y轴的像素点变化越快,所以该点处越可能是边缘.边缘和梯度方向是垂直的.举个例子,下图就是用的y方向 ...
- 非常详细的sift算法原理解析
尺度不变特征变换匹配算法详解 Scale Invariant Feature Transform(SIFT) Just For Fun 转自:http://blog.csdn.net/zddblog/ ...
- SIFT算法详解(二)
目录(?)[-] 尺度不变特征变换匹配算法详解 Scale Invariant Feature TransformSIFT Just For Fun zdd zddmailgmailcom SIFT ...
- 图像相似度算法--SIFT算法详解
尺度不变特征变换匹配算法详解 Scale Invariant Feature Transform(SIFT) Just For Fun zdd zddmail@gmail.com or (zddhu ...
- SLAM-Visual Navigation学习之SIFT算法与代码详解
** SIFT算法 ** 文章目录 SIFT算法 一.特征点,关键点,角点? 二.前置知识 1.尺度 2.卷积 3.高斯函数 4.高斯卷积(模糊) 三.SIFT算法的引入 Harris算法缺陷: 1. ...
- SIFT算法基础数学
尺度不变特征变换匹配算法详解 Scale Invariant Feature Transform(SIFT) Just For Fun 转自:http://blog.csdn.net/zddblog/ ...
- SIFT算法详解:Scale Invariant Feature Transform
尺度不变特征变换匹配算法详解 Scale Invariant Feature Transform(SIFT) Just For Fun zdd zddmail@gmail.com or (zddhu ...
- SURF算法与SIFT算法的性能比较——图像特征点检测与提取算法分析
图像特征点提取算法的算法研究(SURF和SIFT算法) 1. 摘要 计算机视觉中,很大一部分研究集中在图像特征提取和特征生成算法上.对图像的优化,不同于一般数学问题的优化方法,图像的优化是对像素点,在 ...
- 特征点提取—尺度不变特征SIFT算法
目录 SIFT算法概述 尺度空间与与金字塔表达 1 高斯模糊 2 金字塔构建 2.1 金字塔多分辨率 3.空间极值点检测(关键点的初步探查) 4.关键点描述 4.1 KPD生成 4.2.关键点的主方向 ...
最新文章
- Integer vs int
- Java 内部类分析
- matlab直方图绘制
- OpenCV霍夫直线检测的实例(附完整代码)
- 【超详细教程】如何使用TypeScript和GraphQL开发应用
- 01-hibernate注解:类级别注解,@Entity,@Table,@Embeddable
- html,css颜色,色系
- oracle aia,[zz] What Are Oracle AIA, PIP and How Do They Work?
- Oracle建表添加数据
- DWR第四篇之对象传参
- Batch update returned unexpected row count from update
- Windows Server 2012开机账户自动登录
- 尚德机构推出2019版CPA系列纸质书 配套小程序刷题
- Linux软件开发工程师
- CENTOS上的网络安全工具(十二)走向Hadoop(4) Hadoop 集群搭建
- 视频产生的本质及色彩空间:RGB 和 YUV
- 知物由学 | SO VMP 加壳与混淆,为移动应用提供函数级保护
- BDL語法知識 变量的初始话
- 【模板】最小费用最大流
- 为什么很多企业要自研CRM系统,而不够买SAAS云服务提供的CRM系统或SCRM系统?...
热门文章
- 854. 相似度为 K 的字符串(每日一难phase2--day20)
- 微信java版s40_微信诺基亚下载
- Java SE基础教程——Eclipse开发工具的安装与使用
- python调用讯飞语音合成API接口实现文字转语音,然后转换音频格式
- Android Studio 导入安卓源码步骤
- 【全网最强C语言学习】C语言入门(工具)——库函数字典MSDN
- 怎样启动Windows系统呢
- 三星gsat笔试容不容易通过
- 福昕阅读器3.1.3.1030破解方法
- 《AutoCAD全套园林图纸绘制自学手册》一1.5 园林设计图的绘制