【精选】【OpenCV】SIFT原理与源码分析：DoG尺度空间构造【OpenCV】SIFT原理与源码分析：DoG尺度空间构造.pdf

本文由长春治疗白癜风医院/ 收集，转载请注明出处 【OpenCV 】SIFT 原理与源码分析：DoG 尺度空间构造 尺度空间理论 自然界中的物体随着观测尺度不同有不同的表现形态。例如我们形容建筑物用“米”，观 测分子、原子等用“纳米” 。更形象的例子比如 Google 地图，滑动鼠标轮可以改变观测地图 的尺度，看到的地图绘制也不同；还有电影中的拉伸镜头等等…… 尺度空间中各尺度图像的模糊程度逐渐变大，能够模拟人在距离目标由近到远时目标在视网 膜上的形成过程。 尺度越大图像越模糊。 为什么要讨论尺度空间？ 用机器视觉系统分析未知场景时，计算机并不预先知道图像中物体的尺度。我们需要同 时考虑图像在多尺度下的描述，获知感兴趣物体的最佳尺度。另外如果不同的尺度下都有同 样的关键点，那么在不同的尺度的输入图像下就都可以检测出来关键点匹配，也就是尺度不 变性。 图像的尺度空间表达就是图像在所有尺度下的描述。 尺度空间表达与金字塔多分辨率表达 高斯模糊 高斯核是唯一可以产生多尺度空间的核 （《Scale-space theory: A basic tool for analysing structures at different scales 》）。一个图像的尺度空间L(x,y,σ) ,定义为原始图 像I(x,y)与一个可变尺度的2 维高斯函数G(x,y,σ)卷积运算。 二维空间高斯函数： 尺度空间： 本文由长春治疗白癜风医院/ 收集，转载请注明出处 本文由长春治疗白癜风医院/ 收集，转载请注明出处 尺度是自然客观存在的，不是主观创造的。高斯卷积只是表现尺度空间的一种形式。 二维空间高斯函数是等高线从中心成正太分布的同心圆： 分布不为零的点组成卷积阵与原始图像做变换，即每个像素值是周围相邻像素值的高斯 平均。一个5*5 的高斯模版如下所示： 高斯模版是圆对称的，且卷积的结果使原始像素值有最大的权重，距离中心越远的相邻 像素值权重也越小。 在实际应用中，在计算高斯函数的离散近似时，在大概3σ距离之外的像素都可以看作 不起作用，这些像素的计算也就可以忽略。所以，通常程序只计算(6σ+1)*(6σ+1)就可以保 证相关像素影响。 高斯模糊另一个很厉害的性质就是线性可分：使用二维矩阵变换的高斯模糊可以通过在 水平和竖直方向各进行一维高斯矩阵变换相加得到。 本文由长春治疗白癜风医院/ 收集，转载请注明出处 本文由长春治疗白癜风医院/ 收集，转载请注明出处 O(N^2*m*n)次乘法就缩减成了O(N*m*n)+O(N*m*n)次乘法。（N 为高斯核大小，m,n 为二维图像高和宽） 其实高斯这一部分只需要简单了解就可以了，在OpenCV 也只需要一句代码： [cpp] view plaincopy 1. GaussianBlur(dbl, dbl, Size(), sig_diff, sig_diff); 我这里详写了一下是因为这块儿对分析算法效率比较有用，而且高斯模糊的算法真的很 漂亮~ 金字塔多分辨率 金字塔是早期图像多尺度的表示形式。图像金字塔化一般包括两个步骤：使用低通滤波 器平滑图像；对平滑图像进行降采样（通常是水平，竖直方向 1/2），从而得到一系列尺寸 缩小的图像。 本文由长春治疗白癜风医院/ 收集，转载请注明出处 本文由长春治疗白癜风医院/ 收集，转载请注明出处 上图中（a ）是对原始信号进行低通滤波，（b）是降采样得到的信号。 而对于二维图像，一个传统的金字塔中，每一层图像由上一层分辨率的长、宽各一半， 也就是四分之一的像素组成： 多尺度和多分辨率 尺度空间表达和金字塔多分辨率表达之间最大的不同是：  尺度空间表达是由不同高斯核平滑卷积得到，在所有尺度上有相同的分辨率；  而金字塔多分辨率表达每层分辨率减少固定比率。 所以，金字塔多分辨率生成较快，且占用存储空间少；而多尺度表达随着尺度参数的增 加冗余信息也变多。 多尺度表达的优点在于图像的局部特征可以用简单的形式在不同尺度上描述；而金字塔 表达没有理论基础，难以分析图像局部特征。 DoG （Difference of Gaussian） 高斯拉普拉斯LoG 金字塔 结合尺度空间表达和金字塔多分辨率