SIFT算法~薛纯.pptVIP

尺度不变特征变换匹配算法（SIFT算法） 薛纯 SIFT简介 1999年大卫.劳伊教授提出SIFT（尺度不变特征变换）算法，这种算法在2004年被加以完善。 关键点具有的三个特征： 尺度 方向 大小 关键点检测的相关概念 尺度空间（scale space ）：物体都是通过一定的尺度来反映的。不同尺度的观察而得到不同的变化。尺度越大图像越模糊 sift算法采用了高斯函数来建立尺度空间 一个图像的尺度空间L（x,y, σ) ,定义为原始图像I(x,y)与上述的一个可变尺度的2维高斯函数G(x,y, σ) 卷积运算 随着σ的变化，建立起不同的尺度空间，或称之为建立起图像的高斯金字塔 关键点检测 高斯模糊 建立不同尺度空间，构造高斯金字塔 DOG高斯差分金字塔 找其极值点得关键点 高斯模糊 高斯模糊 1：分配权重：正态分布 2：高斯函数：正态分布的密度函数叫做“高斯函数” 它的一维形式：计算平均值的时候，中心点就是原 点，所以μ等于0 二维形式： 高斯模糊 3： 计算高斯模糊 高斯金子塔的构建过程可分为两步： （1）对图像做高斯平滑； （2）对图像做降采样。 高斯金字塔里有两个概念 组（Octave）和层（Level或Interval），每组里有若干层！ 由高斯金字塔到DOG 关键点检测 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45度一个柱，总共8个柱 或者每10度一个柱，总共36个柱 关键点描述 将这个向量归一化之后，就进一步去除了光照的影响。 1：选取16*16邻域，然后将这个大区域分为16个4*4区域: 2：分别对每个4*4区域8方向分布最后，共有16*8=128维向量来表征这个特征点。 模板图中关键点描述子： 实时图中关键点描述子： 任意两描述子相似性度量： 要得到配对的关键点描述子， 需满足： 关键点匹配 欧氏距离 * Scale Invariant Feature Transform SIFT * BEIJING INSTITUTE OF TECHNOLOGY SIFT简介 SIFT算法实现细节 提纲 SIFT算法的应用领域 传统的特征提取方法 传统的匹配算法往往是直接提取角点或边缘，对环境的适应能力较差 SIFT提出 David G. Lowe University of British Columbia SIFT简介 SIFT简介 SIFT算法特点 稳定性。 快速性 准确性 多量性 可扩展性 SIFT算法实现细节 SIFT算法实现步骤简述 SIFT算法的实质可以归为在不同尺度空间上查找特征点（关键点）的问题。 SIFT算法实现细节 SIFT算法实现步骤 （1） 关键点的检测；（2） 关键点的方向； （3）关键点的精确定位 （4） 关键点描述子的生成 关键点检测的相关概念 哪些点是SIFT中要查找的关键点（特征点）？ 这些点是一些十分突出的点不会因光照条件的改变而消失的稳定点  关键点检测 关键点检测的相关概念 原理：可以理解成每一个像素都取周边像素的平均值 权重矩阵 r是模糊半径， 高斯函数 如果只计算这9个点的加权平均，还必须让它们的权重之和等于1 。 1：假设现有9个像素点，灰度值（0-255）如下 2：每个点乘以自己的权重值： 3：将这9个值加起来，就是中心点的高斯模糊的值。 高斯金字塔 关键点检测 关键点检测的相关概念 高斯金字塔的构成 关键点检测的相关概念 1：第一组的第一层为原图像 2：图像做一次高斯模糊参数σ取1.6 得第二层 3：将kσ作为新的平滑因子来平滑第二层得到第三层 4：得到L层他们分别对应的平滑参数为：0，σ，kσ，k2σ....。 S——每组层数（一般为3~5） 尺度空间的所有取值： DoG（Difference of Gaussian）函数 DoG在计算上只需相邻尺度高斯平滑后图像相减，因此简化了计算！ 关键点检测——DOG DoG高斯差分金字塔 对应DOG算子，我们要构建DOG金字塔 我们可以通过高斯差分图像看出图像上的像素值变化情况。（如果没有变化，也就没有特征。特征必须是变化尽可能多的点。）DOG图像描绘的是目标的轮廓。 关键点检测——DOG 中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。 DoG的局部极值点 关键点是