SURF算法演示.pptVIP

1. 兴趣点检测 1.1 积分图像 1.2 用于检测兴趣点的Hessian矩阵 1.3 尺度空间表示 1.4 兴趣点的定位 1.1 积分图像 1.2用于检测兴趣点的Hessian矩阵 surf采用的是Hessian矩阵行列式近似值图像，在图像中某个像素点的Hessian矩阵可以表示为： 由于特征点需要具备尺度无关性，所以在进行Hessian矩阵构造前，需要对其进行高斯滤波，滤波后其公式如下： 1.3 尺度空间的表示 上面讲的这么多只是得到了一张近似hessian行列式图，这例比sift中的DOG图，但是在金字塔图像中分为很多层，每一层叫做一个octave，每一个octave中又有几张尺度不同的图片。在surf中，图片的大小是一直不变的，不同的octave层得到的待检测图片是改变高斯模糊尺寸大小得到的，当然了，同一个octave中个的图片用到的高斯模板尺度也不同。Surf采用这种方法节省了降采样过程，其处理速度自然也就提上去了。其金字塔图像如下所示： 2. 特征点描述和匹配 2.1 选取特征点 2.2 选取特征点的主方向 2.3 构造surf特征点描述算子 2.1 选取特征点 所有小于预设值的取值都被丢弃，增加极值使检测的特征点数量减少，最终只有几个特征最强点会被检测出来，检测过程中使用与该尺度层图像解析度相对应大小的滤波器进行检测，以3*3的滤波器为例，检测特征点与自身尺度层中其余8个点和在其之上及之下的两个尺度层9个点进行比较，共26个点，下图标记‘x’的像素点的特征值若大于周围像素则可确定该点为该区域的特征点。 2.2 选取特征点的主方向 这一步与sift也大有不同。Sift选取特征点主方向是采用在特征点领域内统计其梯度直方图，取直方图bin值最大的以及超过最大bin值80%的那些方向做为特征点的主方向。而在surf中，不统计其梯度直方图，而是统计特征点领域内的harr小波特征。即在特征点的领域(比如说，半径为6s的圆内，s为该点所在的尺度)内，统计60度扇形内所有点的水平haar小波特征和垂直haar小波特征总和，haar小波的尺寸变长为4s，这样一个扇形得到了一个值。然后60度扇形以一定间隔进行旋转，最后将最大值那个扇形的方向作为该特征点的主方向。该过程的示意图如下： 2.3.构造surf特征点描述算子 在surf中，也是在特征点周围取一个正方形框，框的边长为20s(s是所检测到该特征点所在的尺度)。该框带方向，方向当然就是第4步检测出来的主方向了。然后把该框分为16个子区域，每个子区域统计25个像素的水平方向和垂直方向的haar小波特征，这里的水平和垂直方向都是相对主方向而言的。该haar小波特征为水平方向值之和，水平方向绝对值之和，垂直方向之和，垂直方向绝对值之和。该过程的示意图如下所示： 第一组：对室外的场景--广州小蛮腰进行实验 第二组：对白天室外环境的场景 第三组：室内-两张图片倒立 第四组：室外建筑场景 第五组： 人物 两图大小不一样 分析：从上面一到五组的实验分析可以发现，无论是室内，室外，白天还是黑夜，图片旋转不同角度，图片比例不同变化，surf算法都能够很好地找出特征点，并进行匹配。另外，通过第三组和第五组实验测试，可以看出，对于图片中越是简单，棱角越是分明的物体，surf算法更能体现结果。 surf算法 测试环境 win7旗舰版 vs2010 opencv2.3.1 描述 SURF=speed up Robust Features SURF是一种尺度，旋转不变的detector和descriptor 最大的特点是快，在快的基础上保证性能 SURF采用的有效策略主要有： 积分图（用于对图像卷积） detector是基于Hessian矩阵，descriptor是基于分布的