sift算法讲解 ppt课件

高斯滤波
高斯滤波
高斯滤波
高斯滤波
高斯滤波
高斯滤波
高斯滤波
高斯滤波
高斯滤波
降采样
降采样
123 455 45 67 88 7 8 9 10 11 11 10 11 12 13 14 14 13 14 15 16 17 17 13 14 15 16 17 17
降采样
1 23 455
定义：SIFT算法是一种提取局部特征的算法，在尺度空间寻找极 值点，提取位置、尺度、旋转不变量。
特点：
1、SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持 不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。
2、独特性（Distinctiveness）好，信息量丰富，适用于在海量特征数 据库中进行快速、准确的匹配。
45 67 88 7 8 9 10 11 11 10 11 12 13 14 14 13 14 15 16 17 17 13 14 15 16 17 17
降采样
123 455
45 67 88
1
7 8 9 10 11 11
10 11 12 13 14 14
13 14 15 16 17 17
13 14 15 16 17 17
降采样
1 23 4 5 5
45 67 88
1
7 8 9 10 11 11
10 11 12 13 14 14
13 14 15 16 17 17
13 14 15 16 17 17
降采样
123 455 45 67 88 7 8 9 10 11 11 10 11 12 13 14 14 13 14 15 16 17 17 13 14 15 16 17 17
SIFT特征匹配技术
任甲元 郑舒颖 金喆
关键技术：局部特征提取
局部特征：感兴趣区域检测&描述子
感兴趣区域
描述子
<0 12 31 0 0 23 …> <5 0 0 11 37 15 …> <14 21 10 0 3 22 …>
作者简介
David Lowe Computer Science Department
13 5 7 9 11 13 15 17
123 455 45 67 88 7 8 9 10 11 11 10 11 12 13 14 14 13 14 15 16 17 17 13 14 15 16 17 17
高斯滤波
高斯滤波
高斯滤波
高斯滤波
高斯滤波
高斯滤波
高斯滤波
高斯滤波
高斯滤波
2366 Main Mall University of British Columbia Vancouver, B.C., V6T 1Z4, Canada
E-mail: lowe@cs.ubc.ca
SIFT 概述
SIFT算法由D.G.Lowe1999年提出，2004年完善总结。此后Y.Ke将其描述子部分用PCA 代替直方图的方式，对其进行改进。
是尺度归一化LOG算子的近似
高斯金字塔的构建： 高斯金字塔共o(7)阶，每阶有s(6)层，下一阶
的图像由上一阶图像降采样得到。
归一化
Leabharlann Baidu
归一化
gray0 = 1 3 5 7 9 10 11
归一化
gray0 = 1 3 5 7 9 10 11 gray1 = 0 2 4 6 8 9 10
归一化
I x, y
二维图像函数
Gx,y, 1 e(x2y2)/22 2 2
( x , y ) 空间坐标 尺度空间因子（坐标）
高斯差分尺度空间（DOG scale-space）：
D (x ,y , ) (G (x ,y ,k) G (x ,y , )) I(x ,y ) L (x ,y ,k ) L (x ,y ,)
gray0 = 1 3 5 7 9 10 11 gray1 = 0 2 4 6 8 9 10 gray2 = 0 2/10 4/10 6/10 8/10 9/10 1
归一化
gray0 = 1 3 5 7 9 10 11
gray1 = 0 2 4 6 8 9 10
gray2 = 0 2/10 4/10 6/10 8/10 9/10 1
放大一倍
13 5 7 9 11 13 15 17
123 45
4
6
8
7 8 9 10 11
10
12
14
13 14 15 16 17
放大一倍
13 5 7 9 11 13 15 17
123 45 45 67 8 7 8 9 10 11 10 11 12 13 14 13 14 15 16 17
放大一倍
13
降采样
1 2 3 45 5
45 67 88 7 8 9 10 11 11 10 11 12 13 14 14 13 14 15 16 17 17 13 14 15 16 17 17
13
降采样
123 455 45 67 88 7 8 9 10 11 11 10 11 12 13 14 14 13 14 15 16 17 17 13 14 15 16 17 17
1 35
降采样
123 455 45 67 88
7 8 9 10 11 11
10 11 12 13 14 14 13 14 15 16 17 17 13 14 15 16 17 17
3、多量性，即使少数的几个物体也可以产生大量的SIFT特征向量。 4、高速性，经优化的SIFT匹配算法甚至可以达到实时的要求。 5、可扩展性，可以很方便的与其他形式的特征向量进行联合。
SIFT 概述
关键点检测
1、检测尺度空间极值点。
2、精确定位极值点。
描述子生成
3、为每个关键点指定方向。
4、关键点描述子的生成。
0=<gray2<=1
放大一倍
放大一倍
13 5 7 9 11 13 15 17
放大一倍
13 5 7 9 11 13 15 17
放大一倍
1
3
5
13 5 7 9 11 13 15 17
7
9
11
13
15
17
放大一倍
123 45
13 5 7 9 11 13 15 17
7 8 9 10 11 13 14 15 16 17
SIFT 概述
关键点检测
1、检测尺度空间极值点。
2、精确定位极值点。
描述子生成
3、为每个关键点指定方向。
4、关键点描述子的生成。
尺度空间极值点检测
尺度空间： L x ,y , G x ,y ,* Ix ,y
Gx, y,
二维尺度可变高斯核函数（滤波函数），高斯核和高斯 微分是尺度空间分析的惟一平滑核。 (本实验采用一维 高斯函数)