网站模板 带数据库,企业网站包含内容,建设厅网站业务系统板块查成绩,网站开发 开题报告目录SIFT是什么#xff1f;尺度空间理论SIFT特征点提取SIFT特征点描述SIFT是什么#xff1f;
SIFT ,即尺度不变特征变换( Scale-invariant feature transform#xff0c;SIFT) ,一种特征描述方法。具有 尺度鲁棒性 旋转鲁棒性 光照鲁棒性 SIFT本身包括了特征点筛选及特征点…
目录SIFT是什么尺度空间理论SIFT特征点提取SIFT特征点描述SIFT是什么
SIFT ,即尺度不变特征变换( Scale-invariant feature transformSIFT) ,一种特征描述方法。具有 尺度鲁棒性 旋转鲁棒性 光照鲁棒性 SIFT本身包括了特征点筛选及特征点描述的步骤。
尺度空间理论 SIFT的特征点筛选目的:寻找在不同尺度空间下的极值点保证这些特征点在放大或者缩小的条件下均存在。 这一特点与Harris检测特征点比较的话发现Harris对尺度变换的鲁棒性较差 SIFT的特征点筛选方法DoG近似LoG。 LoG(Laplacian of Gaussian) :使用不同sigma获得不同的尺度空间图像然后通过Laplacian算子获得极值。这一运算过程可以用DoG(Difference-of-Gaussian)近似。拉普拉斯其实就是二阶导数产生的零交叉点就是我们所要获取的极值。 关于LoG与DoG的更多知识可以转到图像分割-LOG检测器和DOG检测器 DoG步骤 得到的结果与LoG结果非常相似在DoG结果图中我们用亮度表达差分值的大小。在纹理比较丰富、边缘区域具有比较大的值。 理解高斯卷积核其实是一种加权的平均。在灰度变化不剧烈的地区一个像素值的大小和周围像素值得大小基本相等所以不管加权的参数是哪样得到的加权结果其实是相似的所以做差分之后这种区域的差分值会很小。灰度变化剧烈的地区则反之差分值会很大。
SIFT特征点提取
在SIFT特征点选取中所用到的DoG 这时候就出现了一个问题随着sigma的增加它需要更大的高斯窗口进行平滑模糊处理。sigma越大高斯函数越扁平会使无法处理的区域增加同时计算量增加。在空间滤波中我们学习到3* 3模板进行卷积时对图像最外一层像素是无法处理的5*5是周围两层像素。 解决方法图像金字塔回顾知识Opencv——图像金字塔与图像尺寸缩放 当k增加到2时我们将图像缩小为1/2尺寸这叫降采样。再使用sigma0的模板处理。我们发现图像缩小了二分之一而sigma却没有改变。重复该操作进行降采样。同一个Octave的图像具有相同的尺寸。 在图像金字塔处理之后我们将就是检测DoG极值了。 关于获取一个octave的图像的详细过程可以参考文章最末的原理讲解那个是十分详细的。 这样得出来的极值的性质如何 当然这些得到的极值点是候选点。在得到候选点之后就要对候选点的特征进行描述以达到匹配的目的。
SIFT特征点描述
使用梯度值对特征点进行表述,计算像素的梯度值和梯度方向。相对像素的亮度值梯度对光照具有更好的鲁棒性。 当图像处于一个刚体状态时没有剧烈形变某像素与它周围像素的关系应该是近乎恒定的。对一个区域进行描述的话得到的描述子将更加稳定。 我们先假设一个候选点 然后计算它周围一定区域的梯度值比如8*8区域。 1、将得到的角度值进行36等分。 2、在特征点对应的尺度空间计算梯度值。 3、利用高斯核对梯度进行计算权重。 也就是说该像素周围像素的权重由两个值决定一个是本身梯度大小、第二个是离考察像素点的距离。 建立一个36维的直方图每次累加的值就是它的权重 其实到了这一步已经可以很好地描述了。 但是注意此刻的角度计算得到的是一个绝对角度是与水平方向成的角度。当图像旋转后显然这种描述方法就有问题了。 解决方法获取一个具有代表性的方向作为主方向。通常选择梯度值最大的那个角度分量作为主方向获得更具有旋转鲁棒性的描述方法。 选择完主方向后将周围图像以主方向计算相对角度。这样就算图像进行旋转主方向也会进行旋转相对角度保持相对恒定状态。 代码实现可以参考第二个链接。 要是想要调用Opencv库函数则要参考毛星云的《Opencv3编程入门的》417页 我在我的Opencv安装包中没有找到这个nonfree文件夹以后再解决这个问题。网上大部分调库代码也需要一些自己添加库。 参考链接: SIFT算法详解 基于C和OpenCv的SIFT_图像局部特征检测算法代码的实现 《数字图像处理PPT.李竹版》
