SIFT与模式识别资料.pptVIP

二、匹配处理 建立KD-tree 进行RANSAC匹配点筛选NSAC匹配点筛选行RANSAC匹配点筛选 人刚刚保进行RANSAC匹配点筛选是的外省人进行R出风口老公能就发给你 ANSAC匹配点筛选进进行RANSAC匹配点筛选进行RANSAC匹配点筛选行RANSAC匹配点筛选 KD-tree 先看二叉树：（右图） Kd-Tree的构建算法： （1） 在K维数据集合中选择具有最大方差的维度k，然后在该维度上选择中值m为pivot对该数据集合进行划分，得到两个子集合；同时创建一个树结点node，用于存储k, m； （2）对两个子集合重复（1）步骤的过程，直至所有子集合都不能再划分为止；如果某个子集合不能再划分时，则将该子集合中的数据保存到叶子结点（leaf node） RANSAC匹配点筛选 RANSAC的基本假设是： （1）数据由“局内点”组成 （2）“局外点”是不能适应该模型的数据； （3）除此之外的数据属于噪声。 局外点产生的原因有：噪声的极值；错误的测量方法；对数据的错误假设。 RANSAC也做了以下假设：给定一组（通常很小的）局内点，存在一个可以估计模型参数的过程；而该模型能够解释或 者适用于局内点。 RANSAC用于 识别SIFT算 法的误判： 不好的特征点的检测：近似的Harris comer 检测器。去掉低对比度和不稳定的边缘响应点 梯度方向直方图的横轴是梯度方向角，纵轴是剃度方向角对应的梯度幅值累加值 中蓝色的圈代表高斯加权的范围（越靠近关键点的像素梯度方向信息贡献越大） 。然后在每4×4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点。Lowe建议对每个关键点使用4×4共16个种子点来描述，这样对于一个关键点就可以产生128个数据，即最终形128维的SIFT特征向量 若它的左子树不为空，则左子树上所有结点的值均小于它的根结点的值； 若它的左子树不为空，则左子树上所有结点的值均小于它的根结点的值；若它的右子树不为空，则右子树上所有结点的值均大于它的根结点的值；区别：二叉查找树：数据存放在树中的每个结点（根结点、中间结点、叶子结点）中；Kd-Tree：数据只存放在叶子结点，而根结点和中间结点存放一些空间划分信息（例如划分维度、划分值）；KD树为一种平衡二叉树 RANSAC还可以用于图像搜索时的纠错与物体识别定位。 在我们的课题中有效去除不稳定的边缘 当两幅图像的SIFT特征向量生成后， 下一步我们采用关键点特征 向量的欧式距离来作为两幅图像中关键点的相似性判定度量。 取图像1中的某个关键点， 并找出其与图像2中欧式距离最近的前两个 关键点， 在这两个关键点中， 如果最近的距离除以次近的距离少于某个比例阈值， 则接受这一对匹配点。 降低这个比例阈值， SIFT 匹配点数目 会减少， 但更加稳定当两幅图像的SIFT特征向量生成后， 下一步我们采用关键点特征 向量的欧式距离来作为两幅图像中关键点的相似性判定度量。 取图像1中的某个关键点， 并找出其与图像2中欧式距离最近的前两个 关键点， 在这两个关键点中， 如果最近的距离除以次近的距离少于某个比例阈值， 则接受这一对匹配点。 降低这个比例阈值， SIFT 匹配点数目 会减少， 但更加稳定当两幅图像的SIFT特征向量生成后， 下一步我们采用关键点特征 向量的欧式距离来作为两幅图像中关键点的相似性判定度量。 取图像1中的某个关键点， 并找出其与图像2中欧式距离最近的前两个 关键点， 在这两个关键点中， 如果最近的距离除以次近的距离少于某个比例阈值， 则接受这一对匹配点。 降低这个比例阈值， SIFT 匹配点数目 会减少， 但更加稳定 当两幅图像的SIFT特征向量生成后， 下一步我们采用关键点特征 向量的欧式距离来作为两幅图像中关键点的相似性判定度量。 取图像1中的某个关键点， 并找出其与图像2中欧式距离最近的前两个 关键点， 在这两个关键点中， 如果最近的距离除以次近的距离少于某个比例阈值， 则接受这一对匹配点。 降低这个比例阈值， SIFT 匹配点数目 会减少， 但更加稳定 Scale Invariant Feature Transform ——麻将识别 组员： 一、SIFT算法处理步骤 1. DoG尺度空间构造 2. 关键点搜索与定位 3. 方向赋值 4. 关键点描述 * DOG尺度空间构造 * 关键点的搜索与定位 * 方向赋值 梯度方向和赋值如下： 其中L所用的尺度为每个关键点各自所在的尺度。至此，图像的关键点已经检测完毕，每个关键点有三个信息：位置，所处尺度、方向，由此可以确定一个SIFT特征区域。在实际计算时，我们在以关键点为中心的邻域窗口内采样，并用直方图统