invariantkeypoints从尺度不变关键点中获取的典型图像特征-Read.PPTVIP

论文题目：Distinctive image features from scale- invariant keypoints. 从尺度不变关键点中获取的典型图像特征 图像处理核心技术种类 模式识别 运动跟踪 局部特征：感兴趣区域检测描述子 理想的感兴趣区域 有典型的尺度、方向 很快获取、匹配 多尺度技术也称为多分辨率技术。 多尺度图像技术指对图像采用多尺度的表达,并在不同尺度下分别进行处理。 在很多情况下,图像中某种尺度下不容易看出或获取的特性在另外的尺度下很容易看出来或检测到。所以利用多尺度常可以更有效地提取图像特征,获取图像内容。 对同一幅图像用不同的尺度表达后,相当于给图像数据的表达增加了一个新的坐标。即除了一般使用的空间的分辨率外,现在又多了一个刻画当前分辨率层次的新参数。 在3x3x3 邻域内选择所有的极值 中间的检测点和尺度空间共26个点比较 方法：拟合三维二次方程，找出低对比度的点 泰勒序列展开式： 其中：D是DOG计算的结果，x是候选关键点之一 最小化的到真正的极值（偏移量）： 当： 则该点是低对比度的点 选择一系列好的关键点 选择每个关键点周围的一个区域 去除尺度和旋转的影响 采用梯度直方图来确定关键点的方向 用点的尺度选择正确的图像 用有限差分计算梯度的模值和方向 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。 一个关键点可能会被指定具有多个方向（一个主方向、一个以上辅方向），可以增强匹配的鲁棒性。 每个关键点有三个信息：位置，所处尺度，方向。由此可以确定一个SIFT特征区域。 实际计算过程中，为了增强匹配的稳健性，建议对每个关键字使用4×4共16个种子点来描述，这样对于一个关键点就可以产生128个数据，最终形成128维SIFT特征向量。 --此时SIFT特征向量已经去除了尺度变化、旋转等几何变化因素的影响，再继续将特征向量的长度归一化，则可以进一步去除光照变化的影响。 当两幅图像的SIFT特征向量生成后，下一步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中欧氏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。降低这个阈值，SIFT匹配点数目会减少，但更加稳定。 对于图像旋转、尺度和密度的改变、适度的放射变换的实验性能。 1、有效的搜索和匹配。 2、整体方法的结合。 3、寻找较好的特征。 1、建立了强大的基础原理知识 --基本原理 (LoG DoG) --生物学视觉 (描述子) --大量的试验结果 2、很多启发式的优化方法 --坏的关键点的滤除 --适当的亚像素精度 * * * 关键技术：局部特征提取 感兴趣区域 描述子 0 12 31 0 0 23 … 5 0 0 11 37 15 … 14 21 10 0 3 22 … SIFT算法由D.G.Lowe1999年提出，2004年完善总结。此后Y.Ke将其描述子部分用PCA代替直方图的方式，对其进行改进。 定义：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。 特点： 1、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 不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。 2、独特性（Distinctiveness）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。 3、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。 4、高速性，经优化的SIFT匹配算法甚至可以达到实时的要求。 5、可扩展性，可以很方便的与其他形式的特征向量进行联合。 1、检测尺度空间极值点。 2、精确定位极值点。 关键点检测 3、为每个关键点指定方向。 4、关键点描述子的生成。 描述子生成 2、精确定位极值点。 关键点检测 3、为每个关键点指定方向。 4、关键点描述子的生成。 描述子生成 尺度空间： 二维尺度可变高斯核函数（滤波函数），高斯核和高斯微分是尺度空间分析的惟一平滑核。 空间坐标 尺度空间因子（坐标） 二维图像函数 高斯差分尺度空间（DOG scale-space）： 是尺度归一化LOG算子的近似 图像金字塔的构建： 图像金字塔共N阶，每阶有S层，下一阶的图像由上一阶图像降采样得到。 图像