sift算法原理(备份)

合集下载

sift特征点检测算法原理

sift特征点检测算法原理

sift特征点检测算法原理SIFT特征点检测算法原理SIFT(Scale-Invariant Feature Transform)是一种用于在图像中检测和描述局部特征的算法。

它的原理是通过在不同尺度空间中寻找关键点,并计算这些关键点的局部特征描述子,从而实现图像的特征匹配和识别。

1. 尺度空间构建SIFT算法首先通过高斯金字塔构建尺度空间,以便在不同尺度下检测出特征点。

高斯金字塔是通过对原始图像进行多次降采样得到的一系列图像,每个图像都是前一层图像的二分之一。

在每一层图像上应用高斯滤波器,得到一系列平滑图像。

2. 关键点检测在构建好的尺度空间中,SIFT算法使用Difference of Gaussian (DoG)来检测关键点。

DoG是通过对相邻两层平滑图像进行相减得到的,可以有效地检测出图像中的边缘和角点。

在DoG图像中,局部极值点被认为是潜在的关键点。

3. 关键点定位为了准确定位关键点的位置,SIFT算法采用了尺度空间极值点的精确定位方法。

它使用T aylor展开式对DoG图像进行拟合,通过求解极值点的二阶导数来精确定位关键点的位置。

同时,为了排除低对比度的关键点和边缘响应的干扰,SIFT算法会对关键点进行一定的筛选。

4. 方向分配为了使特征描述子具有旋转不变性,SIFT算法对每个关键点分配一个主方向。

它通过计算关键点周围像素的梯度方向直方图,找出主要梯度方向,并将其作为关键点的方向。

这样可以保证特征描述子在旋转变换下具有一定的稳定性。

5. 特征描述在关键点的周围区域内构建特征描述子,用于表示关键点的局部特征。

SIFT算法将关键点周围的图像区域划分为若干个子区域,并在每个子区域内计算梯度方向直方图。

最后将这些直方图连接起来,得到一个具有128维特征向量的特征描述子。

通过以上步骤,SIFT算法可以在图像中检测出大量的关键点,并为每个关键点生成一个128维的特征描述子。

这些特征描述子具有尺度不变性、旋转不变性和光照不变性等特点,可以用于图像匹配、物体识别和三维重建等应用领域。

sift算法的原理和步骤

sift算法的原理和步骤

sift算法的原理和步骤SIFT算法的原理和步骤SIFT算法是一种用于图像特征提取的算法,它能够从图像中提取出具有独特性、稳定性和可重复性的关键点,用于图像匹配、目标跟踪等任务。

本文将介绍SIFT算法的原理和步骤。

一、原理1. 尺度空间尺度空间是指同一物体在不同尺度下的表现形式。

SIFT算法采用高斯金字塔来实现尺度空间的构建,即将原始图像不断缩小并平滑处理,得到一系列模糊程度不同的图像。

2. 关键点检测在尺度空间中,SIFT算法采用DoG(Difference of Gaussian)来检测关键点。

DoG是指两个不同尺寸的高斯滤波器之间的差值,可以有效地提取出具有高斯拉普拉斯变换极值点(LoG)特征的区域。

3. 方向确定对于每个关键点,在其周围区域内计算梯度幅值和方向,并统计梯度直方图。

最终确定该关键点最显著的梯度方向作为其主方向。

4. 描述子生成以关键点为中心,生成一个16x16的方形区域,并将其分为4x4的小块。

对于每个小块,计算其内部像素的梯度方向直方图,并将其串联成一个128维的向量,作为该关键点的描述子。

5. 匹配通过计算不同图像之间的关键点描述子之间的距离来进行匹配。

采用最近邻法(Nearest Neighbor)和次近邻法(Second Nearest Neighbor)来进行筛选,从而得到最终的匹配结果。

二、步骤1. 构建高斯金字塔对于原始图像,采用高斯滤波器进行平滑处理,并将其缩小一定比例后再次平滑处理,得到一系列不同尺度下的图像。

这些图像构成了高斯金字塔。

2. 构建DoG金字塔在高斯金字塔中,相邻两层之间做差得到一组DoG金字塔。

通过在DoG金字塔上寻找局部极值点来检测关键点。

3. 确定关键点主方向对于每个关键点,在其周围区域内计算梯度幅值和方向,并统计梯度直方图。

最终确定该关键点最显著的梯度方向作为其主方向。

4. 生成描述子以关键点为中心,生成一个16x16的方形区域,并将其分为4x4的小块。

SIFT算法详解及应用

SIFT算法详解及应用

SIFT算法详解及应用SIFT(Scale-Invariant Feature Transform)是一种图像处理算法,它能够在不同尺度、旋转、光照条件下进行特征点匹配。

SIFT算法是计算机视觉领域的一个重要算法,广泛应用于目标识别、图像拼接、图像检索等方面。

首先,尺度空间极值检测是指在不同尺度上检测图像中的极值点,即图像中的局部最大值或最小值。

这样可以使特征点能够对应不同尺度的目标,使算法对尺度变化有鲁棒性。

为了实现这一步骤,SIFT算法使用了高斯差分金字塔来检测尺度空间中的极值点。

接下来是关键点定位,即确定在尺度空间极值点的位置以及对应的尺度。

SIFT算法通过比较每个极值点与其周围点的响应值大小来判断其是否为关键点。

同时,为了提高关键点的稳定性和准确性,算法还会对关键点位置进行亚像素精确化。

然后是关键点方向的确定,即为每个关键点分配一个主方向。

SIFT算法使用图像梯度方向的直方图来确定关键点的方向。

这样可以使得特征描述子具有旋转不变性,使算法在目标旋转的情况下仍能进行匹配。

最后是关键点的描述。

SIFT算法使用局部图像的梯度信息来描述关键点,即构建关键点的特征向量。

特征向量的构建过程主要包括将关键点周围的图像划分为若干个子区域,计算每个子区域的梯度直方图,并将所有子区域的直方图拼接成一个特征向量。

这样可以使得特征向量具有局部不变性和对光照变化的鲁棒性。

SIFT算法的应用非常广泛。

首先,在目标识别领域,SIFT算法能够检测和匹配图像中的关键点,从而实现目标的识别和定位。

其次,在图像拼接方面,SIFT算法能够提取图像中的特征点,并通过匹配这些特征点来完成图像的拼接。

此外,SIFT算法还可以应用于图像检索、三维重建、行人检测等领域。

总结起来,SIFT算法是一种具有尺度不变性和旋转不变性的图像处理算法。

它通过提取图像中的关键点,并构建关键点的描述子,实现了对不同尺度、旋转、光照条件下的目标识别和图像匹配。

sift算法原理

sift算法原理

sift算法原理SIFT算法原理。

SIFT(Scale-invariant feature transform)算法是一种用于图像处理和计算机视觉领域的特征提取算法。

它能够在不同尺度和旋转角度下提取出稳定的特征点,并且对光照、噪声等干扰具有较强的鲁棒性。

SIFT算法由David Lowe于1999年提出,至今仍被广泛应用于图像拼接、目标识别、三维重建等领域。

本文将介绍SIFT算法的原理及其关键步骤。

1. 尺度空间极值检测。

SIFT算法首先通过高斯滤波构建图像的尺度空间金字塔,然后在不同尺度空间上寻找局部极值点作为关键点。

这些关键点在不同尺度下具有不变性,能够在不同大小的目标上被检测到。

2. 关键点定位。

在尺度空间极值点的基础上,SIFT算法通过对尺度空间进行插值,精确定位关键点的位置和尺度。

同时,为了提高关键点的稳定性,还会对梯度方向进行进一步的精确计算。

3. 方向分配。

为了使关键点对旋转具有不变性,SIFT算法会计算关键点周围像素点的梯度方向直方图,并选择主方向作为关键点的方向。

这样可以使得关键点对于图像的旋转具有不变性。

4. 特征描述。

在确定了关键点的位置、尺度和方向后,SIFT算法会以关键点为中心,提取周围区域的梯度信息,并将其转换为具有较强区分度的特征向量。

这些特征向量可以很好地描述关键点周围的图像信息,从而实现对图像的匹配和识别。

5. 特征匹配。

最后,SIFT算法使用特征向量进行特征匹配,通常采用欧氏距离或者余弦相似度进行特征匹配。

通过匹配不同图像的特征点,可以实现图像的配准、目标的识别等应用。

总结。

SIFT算法作为一种经典的特征提取算法,在图像处理和计算机视觉领域具有重要的应用价值。

其关键在于通过尺度空间极值点的检测和特征描述子的构建,实现了对图像的稳健特征提取。

同时,SIFT算法对于光照、噪声等干扰具有较强的鲁棒性,能够应对复杂环境下的图像处理任务。

因此,SIFT算法在目标识别、图像拼接、三维重建等领域有着广泛的应用前景。

SIFT算法原理:SIFT算法详细介绍

SIFT算法原理:SIFT算法详细介绍

前面们介绍了Harris和Shi-Tomasi角检测算法,这两种算法具有旋转不变性,但不具有尺度不变性,以下图为例,在左侧小图中可以检测到角,但图像被放后,在使用同样的窗口,就检测不到角了。

所以,们来介绍一种计算机视觉的算法,尺度不变特征转换即SIFT(Scale-invariantfeaturetransform)。

它用来侦测与描述影像中的局部性特征,它在空间尺度中寻找极值,并提取出其位置、尺度、旋转不变量,此算法由DavidLowe在1999年所发表,2004年完善总结。

应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对等领域。

SIFT算法的实质在不同的尺度空间上查找关键(特征),并计算出关键的方向。

SIFT 所查找到的关键一些十分突出,不会因光照,仿变换和噪音等因素而变化的,如角、边缘、暗区的亮及亮区的暗等。

1.1基本流程Lowe将SIFT算法分解为如下四步:尺度空间极值检测:搜索所有尺度上的图像位置。

通过高斯差分函数来识别潜在的对于尺度和旋转不变的关键。

关键定位:在每个候选的位置上,通过一个拟合精细的模型来确定位置和尺度。

关键的选择依据于它们的稳定程度。

关键方向确定:基于图像局部的梯度方向,分配给每个关键位置一个或多个方向。

所有后面的对图像数据的操作都相对于关键的方向、尺度和位置进行变换,从而保证了对于这些变换的不变性。

关键描述:在每个关键周围的邻域内,在选定的尺度上测量图像局部的梯度。

这些梯度作为关键的描述符,它允许比较的局部形状的变形或光照变化。

们就沿着Lowe的步骤,对SIFT算法的实现过程进行介绍:1.2尺度空间极值检测在不同的尺度空间不能使用相同的窗口检测极值,对小的关键使用小的窗口,对的关键使用的窗口,为了达到上述目的,们使用尺度空间滤波器。

高斯核可以产生多尺度空间的核函数。

-《Scale-spacetheory:Abasictoolforanalysingstructuresatdifferentscales》。

尺度不变特征变换算法

尺度不变特征变换算法

尺度不变特征变换算法一、前言尺度不变特征变换算法(Scale-Invariant Feature Transform,SIFT)是一种用于图像处理和计算机视觉的算法,由David Lowe于1999年提出。

SIFT算法可以在不同尺度和旋转下找到图像中的关键点,并提取出这些关键点的局部特征描述符,从而实现对图像的匹配、识别等任务。

二、SIFT算法原理1. 尺度空间构建SIFT算法首先通过高斯滤波器构建尺度空间,以便在不同尺度下检测图像中的关键点。

高斯滤波器可以模拟人眼对图像的模糊效果,使得在不同尺度下能够检测到具有相似形状但大小不同的物体。

2. 关键点检测在构建好尺度空间后,SIFT算法通过DoG(差分高斯)金字塔来寻找关键点。

DoG金字塔是由相邻两层高斯金字塔之差得到的,它可以有效地检测出具有不同尺度和方向的局部极值点。

3. 方向分配为了使得特征描述子具有旋转不变性,在确定关键点位置后,SIFT算法还需要计算每个关键点的主方向。

它通过计算关键点周围像素的梯度方向直方图来确定主方向,从而使得特征描述子能够在不同角度下进行匹配。

4. 特征描述在确定了关键点位置和主方向之后,SIFT算法通过计算关键点周围像素的梯度幅值和方向来生成特征描述子。

这个过程中,SIFT算法使用了一个16×16的窗口,并将其分成4×4个小窗口,在每个小窗口中计算8个梯度方向的直方图,最终生成一个128维的特征向量。

5. 特征匹配在提取出两幅图像中所有关键点的特征描述子后,SIFT算法采用欧氏距离来计算两个特征向量之间的相似度,并使用比率测试来判断是否为匹配点。

如果两个特征向量之间的距离小于一定阈值,并且与次近邻之间距离比例大于一定比例,则认为是匹配点。

三、SIFT算法优缺点1. 优点:(1)尺度不变性:SIFT算法可以在不同尺度下检测到具有相似形状但大小不同的物体;(2)旋转不变性:SIFT算法可以计算每个关键点的主方向,从而使得特征描述子能够在不同角度下进行匹配;(3)鲁棒性:SIFT算法对于光照、视角、噪声等因素有较好的鲁棒性。

SIFT算法原理

SIFT算法原理

SIFT算法原理SIFT(Scale-Invariant Feature Transform)算法是一种用于检测和描述图像中的局部特征的算法,它具有尺度不变性和旋转不变性的特点。

SIFT算法由David G. Lowe在1999年提出,被广泛应用于计算机视觉领域的图像匹配、目标识别等任务。

1.尺度空间的构建:SIFT算法首先构建图像的尺度空间,通过对原始图像进行高斯模糊操作得到一组图像。

具体操作是利用高斯核对图像进行卷积,每次卷积后将图像尺寸缩小一半,得到不同尺度的图像。

这样可以在不同尺度上寻找到特征点,使算法具有尺度不变性。

2.关键点的检测:在不同尺度的图像中,SIFT算法通过在每个像素点周围进行高斯差分操作,来寻找潜在的关键点。

具体操作是计算每个像素点的高斯差分空间,找到极大值和极小值点。

这些极值点成为候选关键点。

3.关键点的定位:在候选关键点的基础上,SIFT算法通过对梯度方向和梯度幅值进行计算,进一步筛选出具有稳定性的关键点。

具体操作是在关键点周围的邻域内,计算图像的梯度方向和梯度幅值,并将邻域划分为8个方向的子区域,求出每个子区域内的梯度方向直方图。

通过梯度方向直方图的峰值来确定关键点的主要方向。

4.关键点的描述:SIFT算法通过关键点的主方向,对其周围的图像区域进行描述。

具体操作是在关键点周围的邻域内,将邻域划分为多个子区域,并计算每个子区域内的梯度方向和梯度幅值。

这样可以得到一个向量组成的特征向量,用来描述关键点周围的图像区域。

为了保持对尺度和旋转的不变性,SIFT算法对特征向量进行归一化和抗干扰处理。

5.特征点的匹配:在进行目标识别等任务时,SIFT算法需要对图像中的特征点进行匹配。

为了提高匹配的准确性,在进行特征点匹配时,SIFT算法采用了一种特殊的匹配方法,基于最近邻和次近邻的比值。

对于每个特征点,找到其在另一幅图像中的最近邻点和次近邻点,通过计算这两个点之间的距离比值,进行匹配判断。

SIFT特征提取算法

SIFT特征提取算法

SIFT特征提取算法SIFT(Scale-Invariant Feature Transform)特征提取算法是一种用于图像的局部特征分析的算法。

它能够提取出图像中的关键点,并对这些关键点进行描述,从而可以用于图像匹配、物体识别等应用领域。

本文将详细介绍SIFT算法的原理和过程。

1.尺度空间构建SIFT算法首先通过使用高斯滤波器来构建图像的尺度空间,以便在不同尺度下检测关键点。

高斯滤波器可以通过一系列的高斯卷积操作实现,每次卷积之后对图像进行下采样(降低分辨率),得到不同尺度的图像。

2.关键点检测在尺度空间构建完成后,SIFT算法使用差分运算来检测关键点。

差分运算可以通过对图像进行高斯平滑操作来实现,然后计算相邻尺度之间的差分图像。

对差分图像进行极值检测,即寻找局部最大和最小值的像素点,这些像素点就是图像中的关键点。

3.关键点精确定位关键点的精确定位是通过拟合关键点周围的局部图像来实现的。

SIFT算法使用了一种高度鲁棒的方法,即利用关键点周围梯度的方向和大小来进行拟合。

具体来说,SIFT算法在关键点周围计算图像的梯度幅值和方向,并构建梯度直方图。

然后通过在梯度直方图中寻找局部极值来确定关键点的方向。

4.关键点描述关键点的描述是为了提取关键点周围的特征向量,用于后续的匹配和识别。

SIFT算法使用了一种局部特征描述算法,即将关键点周围的图像区域划分为小的子区域,并计算每个子区域的梯度方向直方图。

然后将这些直方图组合起来,构成一个维度较高的特征向量。

5.特征向量匹配在完成关键点描述之后,SIFT算法使用一种近似的最近邻方法来进行特征向量的匹配。

具体来说,使用KD树或者暴力匹配的方法来寻找两幅图像中最相似的特征向量。

通过计算特征向量之间的距离,可以找到最相似的匹配对。

6.尺度不变性SIFT算法具有尺度不变性的特点,即对于图像的缩放、旋转和视角变化等变换具有较好的鲁棒性。

这是因为在特征提取的过程中,SIFT算法对图像进行了多尺度的分析,并利用了关键点周围的梯度信息进行描述。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

15
令 γ 为最大特征值与最小特征值的比值,则
α = γβ
tr ( H ) 2 (α + β ) 2 (γβ + β ) 2 (γ + 1) 2 = = = 2 Det ( H ) αβ γ γβ
为了检测主曲率是否在某阈值 γ 下,只需检测
tr ( H ) 2 (γ + 1) 2 < γ Det ( H )
L ( x, y , σ ) = G ( x, y , σ ) * I ( x, y )
m( x, y ) = ( L( x + 1, y ) − L( x − 1, y )) 2 + ( L( x, y + 1) − L( x, y − 1)) 2
θ ( x, y ) = arctan
L( x + 1, y ) − L( x − 1, y ) L( x, y + 1) − L( x, y − 1)
9
•将每一组尺度空 间中的相邻高斯 尺度函数相减, 生成高斯差分金 字塔。
10
a是第二组的第一层图像由第一组的的最后第二层图像隔点采样得到。b 是通过相邻高斯尺度空间图像想减得到。
a
b
11
▲3. DOG空间的极值检测:
极值点的搜索是通过同一组内 DOG相邻层之间比较完成的. 为了寻找尺度空间的极值点,每 一个采样点都要和它所有的相邻 点比较,以确保在尺度空间和二 维图像空间都检测到极值点。
γ
16
没有进行任何处理的关键点
17
去除了低对比度之后的点
18
去除边界效应强的特征点
19
Ⅲ. 确定关键点的主方向
为了实现图像的实现旋转不变性,需要根据检测到的特征点局部图 像结构求得一个方向基准。用图像梯度的方法求取该局部结构的稳 定方向。对于已检测到的特征点,我们已经知道该特征点的尺度 值 σ ,因此根据这一尺度值,得到接近这一尺度值的高斯图像。
12
Ⅱ. 关键点的精确定位
通过拟合三维二次函数以精确确定关键点的位置,同时去除低对比度 的关键点和不稳定的边缘响应点(因为DOG算子会产生较强的边缘响 应)以增强匹配稳定性、提高抗噪声能力。
在关键点处用泰勒展开式得到:
∂D T 1 T ∂2D D( X ) = D + X+ X X 2 ∂X 2 ∂X
σ
5
高斯卷积核是实现尺度变换的唯一线性核,其定义如下:
G ( x, y , σ ) = 1 2πσ
2
e
− ( x 2 + y 2 )/ 2σ 2
其中, ( x, y ) 是空间坐标,
σ
代表高斯正态分布的方差,
亦即尺度坐标(在尺度空间中)。
6
▲1. 建立高斯金字塔
高斯金字塔有O组,一 般选择4组,每一阶有S 层尺度图像,S一般选择 5层 1/ s Lowe的文章中 k = 2 每组有s+3层图像 将原始图像隔点采样生 成下一组尺度空间。
至此,图像的关键点已检测完毕,每个关键点有三个信息: 位置、所处尺度、方向。
21
Ⅳ. 生成sift特征矢量
首先,将坐标轴旋转到关键点的主方向。只有以主方向为零点方向来描述关 键点才能使其具有旋转不变性。
其次,以关键点为中心取8*8的窗口。进而计算每个4*4的小块上计算 8个方向的梯度方向直方图,绘制每个梯度方向的累加值,即可形成 一个种子点。每个种子点有8个方向向量信息。
24
总结
Sift算法的优缺点:
优点:1.需要较少的经验主义知识,易于开发 2.具有较强的匹配能力和鲁棒性(由其特点可知) 缺点:维数高实时性差
Sift算法的应用领域:
图像检索,图像配准,人脸识别等
25
23
特征向量归一化处理: 1.将用三维数组存储的梯度转换为一化处理 3.将归一化后的梯度值限制在0.2:如果某一个归一化后的梯度值大于0.2, 则该梯度值将被直接取值为0.2 4.再次进行梯度归一化处理 5.对每一个梯度值乘以一个系数(经验值为512.0),将浮点的梯度值转 化为整数。如果乘积大于512,则该梯度值就为512,否则为乘积值。
22
为了增强匹配的稳健性,Lowe建议对每个关键点可使用4*4共16个 种子点来描述,这样对于一个关键点就可以产生128个数据,即最终 形成128维的sift特征矢量。 此时sift特征向量已经去除了尺度变化、旋转等几何变形因素的影响, 再继续将特征向量的长度归一化,则可以进一步去除光照变化的影响。
m 上式中, (x, y) 和 θ ( x, y ) 分别为高斯金字塔 (x, y )处梯度的大小和方 向,L 所用到的尺度为每个关键点所在的尺度
20
以关键点为中心的邻域窗口内采样,并用直方图统计邻域像素的梯度方向。 梯度直方图的范围是0~360度,其中,每10度一个柱,共36个柱。直方 图的主峰值(最大峰值)代表了关键点处邻域梯度的主方向,即关键点的 主方向。
(1)式
式中, X = ( x, y, σ ) 点处的值。
T
为关键点的偏移量,D 是 D( x, y, σ ) 在关键
13
∂D ( X ) 令 =0 X

可以得到
∂ 2 D −1∂D =− ∂X 2 ∂X
X
的极值 X :
(2)式

X

如果 X (相对于插值中心点的偏移量)在任一方向上的偏移大于0.5 时,就意味着该关键点与另一采样点(检测点)非常接近,这样的点就 要删除。
在组 o = − 1图像用双线性插值扩大一倍(对于 扩大的图像 σ n = 1 ) σ 0 是基准层尺度, 即0组0层尺度 σ n 是输入原始图像尺度。
8
▲2. 建立DOG金字塔: 为了有效提取稳定的关键点,利用不同尺度的高斯差分核 与图像卷积生成。
D(x, y,σ ) = (G(x, y, kσ ) − G( x, y,σ ))* I (x, y) = L(x, y, kσ ) − L(x, y,σ )
sift算法原理 sift算法原理
1
目录
Sift算法的主要特点 Sift算法的主要特点 Sift算法的步骤 Sift算法的步骤 总结
2
Sift算法的主要特点: Sift算法的主要特点:
稳定性 独特性 多量性 高速性 可扩展性
3
Sift算法主要步骤: Sift算法主要步骤:
尺度空间的极值点检测
建立高斯金字塔 生成DOG金字塔 生成DOG金字塔 DOG空间极值点检测 DOG空间极值点检测
往在在横跨边缘的地方有较大的主曲率,而在垂直边缘的方向有较小的主曲率。 主曲率通过一个2*2的Hessian矩阵 H 求出: H = xx D xy
D D xy D yy
导数 D 通过相邻采样点的差值计算。D 的主曲率和 令
H 的特征值成正比,
β α ,
为最大,最小特征值,则
tr ( H ) = D xx + D yy = α + β Det ( H ) = D xx D yy − ( D xy ) 2 = αβ
7
构建尺度空间需确定的参数
σ 是尺度空间坐标, o 是octave坐标 s 是sub-level坐标 三者关系是 σ (o, s ) = σ 2σ + s / S ,
0
o ∈ omin + [0,..., O + 1], s ∈ [0,..., S − 1]
在Lowe的文章中使用了如下的参数
σ n = 0.5, σ 0 = 1.6 ⋅ 21/ s , o min = − 1, S = 3
关键点的精确定位 确定关键点的主方向 生成sift特征矢量(生成关键点的描述子) 生成sift特征矢量(生成关键点的描述子)
4
Ⅰ.尺度空间的极值检测
一副二维图像,在不同尺度下的尺度空间表示可由图像与高斯核卷 积得到:
L( x, y, σ ) = G( x, y,σ ) * I ( x, y)
式中, ( x, y ) 代表图像的像素位置,L 代表图像的尺度空间, 为尺 度空间因子,其值越小则表征被平滑的越少,相应的尺度也就越小。 同时大尺度对应于图像的概貌特征,小尺度对应于图像的细节特征。
为了增强匹配的稳定性,需要删除低对比度的点。将 (2)式 代入(1) 式 得:
1 ∂D T D( X ) = D + 2 ∂X
∧ ∧
X


D( X ) 可以用来衡量特征点的对比度,如果 D( X ) < θ ,则
θ 应删除。 的经验值为0.03.
X 为不稳定的特征点,

14
因为DOG算子会产生较强的边缘响应,所以应去除低对比度的边缘响应 点,以增强匹配的稳定性,提高抗噪声能力。一个平坦的DOG响应峰值往
相关文档
最新文档