图像采集与处理-C10-R.pdfVIP

图像采集与处理 视觉特征的提取与表达(3) SIFT特征 2012-11-1 作业：Gabor滤波器 Gabor滤波器的频率域表达： 上节课回顾 归一化偏导： m =∂ ∂ σ m m ξ ,norm x 两个观测函数各自多尺度表达的归一化偏导相同： L ∂ L ′ ∂ ξ′m ξm 尺度不变性：给定一个观测尺度图像的多尺度表达，如 果在某个尺度下找到一个归一化偏导的极值 （该极值是 针对所有尺度和空间位置而言），我们就能够在另一个 观测尺度图像的多尺度表达中的某一个尺度下找到对应 的极值点。 尺度不变的兴趣点提取 基于归一化偏导得到的尺度不变性，可以用来提取具有 尺度不变性的兴趣点特征。 提取步骤： 1. 给定一幅图像，首先用高斯核卷积来逐级构建该图像 的多尺度表达； 2. 求每个尺度下图像的归一化偏导； 由于第一步使用了高斯平滑滤波，所以这两步可以改变 顺序，即可以先求高斯核的归一化偏导，然后再与相应 的尺度图像进行卷积。 LoG算子：高斯核的拉普拉斯算子（高斯核的二阶偏导 之和），常被用来作为求高斯核偏导的方法。 尺度不变的兴趣点提取 提取步骤： 3. 在多尺度空间内寻找归一化偏导的极值点，这些点可 以确定为兴趣点。 给定另一幅图像，欲和上一幅图像进行比较，怎么做？ 根据尺度不变性原理，给定一幅新的图像，用同样的方 法提取出来的兴趣点，寻找和上一幅图像提取的兴趣点 之间的匹配关系。 问题： 给定了一个观测尺度下的图像，如何在其多尺度表达中 确定偏导极值点的空间坐标和尺度坐标？即如何确定极 值点？ 视觉特征的提取与表达 兴趣点的特性与内容 图像的多尺度表达 尺度不变性 SIFT特征提取 SIFT特征概述 SIFT是Scale Invariant Feature Transform的缩写，是由UBC教授 David Lowe提出。它是一个提取兴趣点特征的算法，提取出的特 征具有高匹配率，目前广泛应用于物体识别和图像匹配等领域。 SIFT算法包含四个连续过程： 1. 尺度空间极值检测：首先构建一幅图像的多尺度表达，然后搜 索所有尺度和像素，从中选取一些具有尺度不变性的极值点，即确 定这些极值点的空间坐标和尺度坐标。 2. 定位关键点(keypoint localization)：对每一个极值点进行稳定性 评估，从中选取具有稳定性能的点作为关键点。 3. 方向分配(orientation assignment)：在每一个关键点的相关邻域 内，确定每个邻域内像素的梯度方向。 4. 关键点描述(keypoint descriptor)：用每个关键点邻域内的梯度 方向组合成该关键点的特征描述。该描述对尺度变化、旋转、平移 和光照变化等具有不变性。 SIFT算法：多尺度图像表达的偏导 SIFT算法使用DoG算子来计算多尺度图像表达的归一化二阶 偏导。 D (x ,y , ) g (x ,y ;k ) g (x ,y ; ) f (x ,y ) σ [ σ − σ ∗] DoG算子可以近似等于归一化的LoG算子： ∂g 2 该方程描述了拉普拉斯和一 ∇ g