SIFT个人总结.docxVIP

sift.h文件参考检测SIFT图像功能。#include“cxcore.h”算法步骤：1.建立尺度空间为了让尺度体现其连续性，在简单降采样的基础上加上了高斯滤波。一幅图像可以产生几组（octave）图像，一组图像包括几层（interval）图像。 2.寻找极值点3.去除不稳定的极值点（低对比度）利用公式 确定精确定位后的极值点的像素值，进行对比度的检测。若像素值满足大于contr_thr / intvls（程序中为0.04/3），则该点才能最终确定为极值点。4.去除边界影响点使用Hessian矩阵去除边界影响点： 如果该点满足则保留，否则被排除 α为最大特征值， β为最小的特征值 ,在程序中r=10.5.特征点方向计算公式：scl_octv = σ*2.0 intvl / intvls，式中： scl_octv 为关键点的尺度， intvl为关键点在高斯差分金字塔中所处于的层数以关键点为中心，划定一个邻域，利用所有在此区域内的点的梯度形成一个方向直方图。偏移为rad的正方形区域，rad=四舍五入（3*1.5* scl_octv ）梯度加权系数w的确定： w = exp( -( i*i + j*j )/exp_denom )，每个像素点的梯度值都必须乘以该点所对应的高斯权，这样才能得到最终的梯度值。根据Lowe的建议，模板采用[0.25,0.5,0.25]，并连续加权两次。生成含有36柱的方向直方图，梯度直方图范围0~360度，其中每10度一个柱。由半径为图像区域生成对方向直方图进行两次平滑求取关键点方向（可能是多个方向）对方向直方图的Taylor展开式进行二次曲线拟合，精确关键点方向6.特征点描述描述子采用4×4×8＝128维向量表征，综合效果最优（不变性与独特性）。程序中 hist[SIFT_DESCR_WIDTH][ SIFT_DESCR_WIDTH][ SIFT_DESCR_HIST_BINS]最终以一维数组保存在feature 数据结构宏＃?SIFT_INTVLS??3?每组octave?的取样间隔?＃?SIFT_SIGMA??1.6?默认情况下，初始高斯平滑的标准差sigma?＃?SIFT_CONTR_THR??0.04?默认阈值，像素灰度值范围[0，1]。去除那些对比度较低的不稳定极值点。＃?SIFT_CURV_THR??10?关键点的原则曲率比，默认阈值，去除边界点影响点＃?SIFT_IMG_DBL??1?双倍图像大小后再金字塔？?＃?SIFT_DESCR_WIDTH??4?描述符直方图数组的默认宽度?＃?SIFT_DESCR_HIST_BINS??8?描述符阵列中每个直方图的默认bin数 ?函数文档int sift_features(IplImage * img, struct feature ** feat)查找图像中SIFT特征。使用默认参数值，参见以上宏定义。int _sift_features(IplImage *?img,struct?feature?**?feat,int?intvls,double?sigma,double?contr_thr,int?curv_thr,int?img_dbl,int?descr_width,int?descr_hist_bins?)参数IMG被检测的图像。OpenCVstruct?feature?**?返回特征点的数据结构，采用连续存放的数组结构。Intvls每组octave的尺度空间采样的间隔数。sigma建立octave金字塔时使用的高斯平滑量。contr_thr尺度空间过程的一个评价参数阈值，是一个向量，确定特征位置和尺度大小。该阈值用于去掉不稳定的特性点，假定像素值的范围是[0，1]。curv_thr去除边界点影响点中的参数。img_dbl是否双倍图像大小后再建立尺度空间？1是，0否。descr_width使用宽度的阵列计算直方图方向，用于计算特征描述符。descr_hist_bins每个阵列中的用于计算的特征的描述符的直方图的方向数。返回返回的特征点数据的大小feature 数据结构 表示图像中尺度旋转不变性的特征。a(x-u)(x-u) + 2b(x-u)(y-v) + c(y-v)(y-v) = 1#include imgfeatures.hData Fieldsdouble?x?x 坐标double?y?y 坐标?double?a?仿射特性参数 Oxford-typedouble?b?仿射特性参数 Oxford-typedouble?c?仿射特性参数 Oxford-typedouble?scl?Lowe-style特征的大小?double?ori?Lowe-style特征的方向int?d?描述符号的数目?double?descr?[FEAT