sift算法原理详解.pptVIP

* * DoG局部极值检测 关键点精确定位 为了提高关键点的稳定性，需要对尺度空间DoG函数进行曲线拟合。利用DoG函数在尺度空间的Taylor展开式： 其极值点 由于DoG值对噪声和边缘较敏感,因此,在上面DoG尺度空间中检测到局部 极值点还要经过进一步的检验才能精确定位为特征点。 * * DoG局部极值检测 上式去除那些对比度较低的不稳定极值点。Lowe的试验显示，所有取值小于0.04的极值点均可抛弃（像素灰度值范围[0，1]）。 在计算过程中，分别对图像的行、列及尺度三个量进行了修正，其修正结果如下： 为修正值 在Lowe的程序中，对坐标进行了五次修正。 将修正后的结果代入式 求解得 * * DoG局部极值检测 去除边缘响应 仅仅去除低对比度的极值点对于极值点的对于特征点稳定性是远远不够的。DoG函数在图像边缘有较强的边缘响应，因此我们还需要排除边缘响应。 DoG函数的（欠佳的）峰值点在横跨边缘的方向有较大的主曲率，而在垂直边缘的方向有较小的主曲率。主曲率可以通过计算在该点位置尺度的2×2的Hessian矩阵得到，导数由采样点相邻差来估计： 表示DOG金字塔中某一尺度的图像x方向求导两次 * * 在两特征值相等时达最小，随r的增长