淺谈sift算子.pptVIP

;Sift算子最早是由D.G.Lowe于1999年提出的，当时主要用于对象识别。 2004年D.G.Lowe对该算子做了全面的总结，并正式提出了一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子——sift（Scale Invariant Feature Transform)算子，即尺度不变特征变换。; Sift算法是一种提取局部特征的算法，在尺度空间寻找极值点，提取位置尺度，旋转不变量。;Sift特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变，对视角变化、仿射变换、噪声也保持一定程度的稳定性。 独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。 多量性，即使少数的几个物体也可以产生大量的sift特征向量。;;尺度空间的极值探测。 关键点的精确定位。 确定关键点的主要方向。 关键点的描述。;Ⅰ. 尺度空间的生成;★ 高斯卷积核是实现尺度变换的唯一线性核。;为了有效提取稳定的关键点，Lowe提出了利用高斯差分函数DOG（Difference Of Gaussian)对原始影像进行卷积：;▲ 高斯差分尺度空间的生成：;具体说来： ⑴. 在第一层尺度空间中，利用 卷积核分别对原始影像进行高斯卷积，生成高斯金字塔影像（S+3张），其中n为高斯金字塔影像的索引号（0，1，2，……，S+2），S为该层尺度空间的子层数。 ⑵. 将第一层尺度空间中的相邻高斯金字塔影像相减，生成高斯差分金字塔影像。 ⑶. 不断地将原始影像降采样2倍，并重复类似⑴和⑵的步骤，生成下一层尺度空间。;▲ 局部极值探测：;Ⅱ. 关键点的精确定位;令;为了增强匹配的稳定性，需要删除低对比度的点。将 代入 得：;一个定义不好的高斯差分算子的极值在横跨边缘的地方有较大的主曲率，而在垂直边缘的方向有较小的主曲率。主曲率通过一个2*2的Hessian矩阵 求出：; 的值在两个特征值相等时最小，并随着 的增大而增大。因此，为了检测主曲率是否在某阈值 下，只需检测;Ⅲ. 确定关键点的主方向;;Ⅳ. 关键点的描述;首先，将坐标轴旋转到关键点的主方向。只有以主方向为零点方向来描述关键点才能使其具有旋转不变性。 然后，以关键点为中心取8*8的窗口，如图5左图所示。左图中的黑点为当前关键点的位置，每个小格代表关键点邻域所在尺度空间的一个像素，箭头方向代表该像素的梯度方向，箭头长度代表梯度的大小，圆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）。接下来在每个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，如图5右图所示。此图中，一个关键点由2*2共4个种子点组成，每个种子点有8个方向向量信息。这种邻域方向性信息联合的思想增强了算法抗噪声的能力，同时对于含有定位误差的特征匹配也提供了较好容错性。 在实际计算中，为了增强匹配的稳健性，Lowe建议对每个关键点可使用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，即最终形成128维的sift特征向量。此时sift特征向量已经去除了尺度变化、旋转等几何变形因素的影响，再继续将特征向量的长度归一化，则可以进一步去除光照变化的影响。; 当两幅影像的sift特征向量生成后，采用关键点特征向量的欧式距离作为两幅影像中关键点的相似性判定度量。在左图像中取出某个关键点，并通过遍历找出其与右影像中欧式距离最近的前两个关键点。如果最近的距离与次近的距离比值少于某个阈值（经验值0.8），则接受这一对匹配点。降低阈值，可以增加匹配点的正确率，但匹配点数同时会减少。;【参考资料】 1. 摄影测量学，武汉大学出版社，第二版，张剑清、潘励、王树根编著； 2. sift算法小结，豆丁网，Andrew（上传人）； 3. SIFT，豆丁网，Switch_xya（上传人）。