基于尺度不变特征变换图像匹配1.pptVIP

基于尺度不变特征变换的图像匹配 特征匹配 尺度不变特征算法的提出 尺度空间的生成： Koendetink证明高斯卷积核是实现尺度变换的唯一变换核，而Lindeberg等人则进一步证明高斯核是唯一的线性核。二维高斯函数定义如下： σ代表了高斯正态分布的方差。 一幅二维图像，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： 式中，(x,y)代表图像的像素位置，σ称为尺度空间因子，其值越小则表征该图像被平滑的越少，相应的尺度也就越小。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。L代表了图像的尺度空间。 高斯尺度空间是一种模拟人眼视觉机理的理想数学模型。 当两幅图像的SIFT特征向量生成后，采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量。取图像1中的某个关键点，并找出其与图像2中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离少于某个比例阈值，则接受这一对匹配点。降低这个比例阈值，SIFT匹配点数目会减少，但更加稳定。 高斯金字塔与高斯差分金字塔 尺度空间极值检测 特征点过滤和位置确定 关键点位置不精确——三维曲面拟合 Taylor展开式 特征点过滤和位置确定 特征点过滤和位置确定 精确确定关键点的位置和尺度 为每个关键点指定方向参数 确定特征点主方向 生成SIFT特征向量 生成SIFT特征向量 生成