BOW词袋模型教案.pptVIP

Hashing BoW Big Data */30 BoW词袋模型 时间：2015/07/06 */30 提纲 背景 SIFT 特征 总结 BoW 模型 */30 背景 图像匹配难点1 */30 背景 图像匹配难点2 */30 SIFT 1. 尺度空间的生成 尺度空间理论目的是模拟图像数据的多尺度特征，高斯卷积核是实现尺度变换的唯一线性核，于是一副二维图像的尺度空间定义为： 其中 是尺度可变高斯函数， (x,y)是空间坐标，σ是尺度坐标。σ的大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征。大的σ值对应粗构高斯差分尺度空间(DOG scale-space)： */30 关于尺度空间的理解说明：图中的2是必须的，尺度空间是连续的。在 Lowe的论文中 ，将第0层的初始尺度定为1.6，图片的初始尺度定为0.5. 在检测极值点前对原始图像的高斯平滑以致图像丢失高频信息，所以 Lowe 建议在建立尺度空间前首先对原始图像长宽扩展一倍，以保留原始图像信息，增加特征点数量。尺度越大图像越模糊。 */30 2. 检测尺度空间极值点 同一组中的相邻尺度（由于K的取值关系，肯定是上下层）之间进行寻找 在极值比较的过程中，每一组图像的首末两层是无法进行极值比较的，为了满足尺度变化的连续性，我