尺度不变特征变换匹配算法sift教材课程.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的增长而增长。Lowe论文中建议r取10。 DoG局部极值检测 D的主曲率和H的特征值成正比，为了避免直接的计算这些特征值，而只是考虑它们的之间的比率。令为 最大特征值 ， 为最小的特征值，则 时将关键点保留，反之剔除 关键点方向分配 通过尺度不变性求极值点，可以使其具有缩放不变的性质，利用关键点邻域像素的梯度方向分布特性，我们可以为每个关键点指定方向参数方向，从而使描述子对图像旋转具有不变性。 像素点的梯度表示 梯度幅值： 梯度方向： 我们通过求每个极值点的梯度来为极值点赋予方向。 关键点方向分配 方向直方图的生成 确定关键点的方向采用梯度直方图统计法，统计以关键点为原点，一定区域内的图像像素点对关键点方向生成所作的贡献。 1.直方图以每10度方向为一个柱，共36个柱，柱所代表的方向为像 素点梯度方向，柱的长短代表了梯度幅值。 2.根据Lowe的建议，直方图统计半径采用3*1.5*σ。 3.在直方图统计时，每相邻三个像素点采用高斯加权，根据Lowe的 建议，模板采用[0.25,0.5,0.25]，并连续加权两次。 关键点方向分配 关于方向直方图的几点说明 关键点方向分配 关键点主方向：极值点周围区域梯度直方图的主峰值,也是特征点方向 关键点辅方向：在梯度方向直方图中，当存在另一个相当于主峰值 80%能量的峰值时，则将这个方向认为是该关键点的辅方向。 这可以增强匹配的鲁棒性，Lowe的论文指出大概有15%关键点具有多方向，但这些点对匹配的稳定性至为关键。 关键点的主方向与辅方向 关键点方向分配 确定计算关键点直方图的高斯函数权重函数参数 ； 生成含有36柱的方向直方图，梯度直方图范围0~360度，其中每10度一个柱。由半径为图像区域生成； 对方向直方图进行两次平滑； 求取关键点方向（可能是多个方向）； 对方向直方图的Taylor展开式进行二次曲线拟合，精确关键点方向； 方向分配实现步骤 图像的关键点已检测完毕，每个关键点有三个信息：位置、尺度、方向；同时也就使关键点具备平移、缩放、和旋转不变性。 Back 关键点描述 描述的目的 描述的思路 通过对关键点周围图像区域分块，计算块内梯度直方图，生成具有独特性的向量，这个向量是该区域图像信息的一种抽象，具有唯一性。 描述的目的是在关键点计算后，用一组向量将这个关键点描述出来，这个描述子不但包括关键点，也包括关键点周围对其有贡献的像素点。用来作为目标匹配的依据，也可使关键点具有更多的不变特性，如光照变化、3D视点变化等。 关键点描述 下图是一个SIFT描述子事例。其中描述子由2×2×8维向量表征，也即是2×2个8方向的方向直方图组成。左图的种子点由8×8单元组成。每一个小格都代表了特征点邻域所在的尺度空间的一个像素，箭头方向代表了像素梯度方向，箭头长度代表该像素的幅值。然后在4×4的窗口内计算8个方向的梯度方向直方图。绘制每个梯度方向的累加可形成一个种子点，如右图所示：一个特征点由4个种子点的信息所组成。 关键点描述 Lowe实验结果表明：描述子采用4×4×8＝128维向量表征，综合效果最优（不变性与独