图像sift算法学习及特征提取.doc

课程设计报告 …………………………装………………………………订………………………………线……………………………………………………………… 西 安 电 子 科 技 大 学 电 子 工 程 学 院 课 程 设 计（报告）任 务 书 学生姓名 指导教师 职称 学生学号 专业 题目 Sift算法学习 任务与要求 学习sift算法，搞清算法每一步的任务； 编程实现sift算法，对图像提取sift特征。 年 月 日 完成日期 年 月 日 课程设计所在单位 年 月 日 本表格由电子工程学院网络信息中心 编辑录入 . 摘要 尺度不变特征转换（Scale-invariant feature transform或 SIFT）是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法David Lowe在1999年所发表，2004年完善总结。 本文从初学者的角度，简单学习SIFT算法，并初步实现了对图像提取SIFT，为之后进一步的学习和研究奠定了基础。 Sift算法的基本思想 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算子的主要特征 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。 高速性，经优化的sift匹配算法甚至可以达到实时的要求。 可扩展性，可以很方便地与其他形式的特征向量进行联合。 Sift算法的主要步骤 尺度空间极值检测 搜索所有尺度上的图像位置。通过高斯微分函数来识别对于尺度和旋转不变的兴趣点。 尺度空间的建立 二维图像，在不同尺度下的尺度空间表示可由图像与高斯核卷积得到： （1） 代表图像的像素位置，代表图像的尺度空间，为尺度空间因子，其值越小则表征被平滑的越少，相应的尺度也就越小，同时大尺度对应于图像的概貌特征，小尺度对应于图像的细节特征。 是尺度可变的高斯函数，定义如下 （2） 是空间坐标，代表高斯正态分布的方差，亦即尺度坐标。 高斯金字塔的建立 高斯金子塔的构建过程可分为两步： （1）对图像做高斯平滑； （2）对图像做降采样。 图像的金字塔模型是指，将原始图像不断降采样，得到一系列大小不一的图像，由大到小，从下到上构成的他装模型。原图像为金字塔的第一层，每次降阶采样所得到的新图像我金字塔的一层（每层一样图像），每个金字塔共层，金字塔的层数根据图像的原始大小和塔顶图像的大小共同决定，其计算公式如下： （3） 其中为原始图像的大小，为塔顶图像的最小位数的对数值。 为了让尺度体现其连续性，高斯金字塔在简单降采样的基础上加上了高斯滤波。如图1所示，将图像金字塔每层的一张图像使用不同参数做高斯模糊，似的金字塔的每层含有多张高斯模糊图像，将每层多张图像合称为一组（Octave），金字塔每层只有一组图像，组数和金字塔层数相等，使用公式（3）计算，每组含有多张（也即层Interval）图像。另外降采样时，高斯金字塔上一组图像的初始图像（底层图像）是由前一组图像的倒数第三张图隔点采样得到的。 高斯差分金字塔 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： （4） 在实际计算时，使用高斯金字塔每组中相邻上下两层图像相减，得到高斯差分图像如图2，进行极值检测。 图2 高斯差分金字塔的生成 空间极值点检测（关键点的初步探查） 关键点是由DOG空间的局部极值点组成的。为了寻找DOG函数的极值点，每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。如图3所示，中间的监测点和它同尺度的八个相邻点和上下相邻尺度对应的个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。 图3 DOG 尺度空间局部极值检测 关键点的精确定位 关键点的精确定位是通过拟合三维二次函数以精确确定关键点的位置（达到子像素精度），同时去除低对比度的关键点和不稳定的边缘响应点（因为DOG算子会产生较强的边缘响应）以增强匹配稳定性、提高抗噪声能力。 关键点的精