SIFT算法详解及应用-尺度不变特征变换匹配算法.ppt

尺度不变特征变换匹配算法 Scale Invariant Feature Transform （SIFT） SIFT简介 1999年British Columbia大学大卫.劳伊（David G.Lowe）教授总结了现有的基于不变量技术的特征检测方法，并正式提出了一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子－SIFT（尺度不变特征变换），这种算法在2004年被加以完善。 所谓关键点，就是在不同尺度空间的图像下检测出的具有方向 信息的局部极值点。 根据归纳，我们可以看出特征点具有的三个特征： 尺度 方向 大小 我们要精确表示的物体都是通过一定的尺度来反映的。现实世界的 物体也总是通过不同尺度的观察而得到不同的变化。 尺度空间理论最早在1962年提出，其主要思想是通过对原始图像进 行尺度变换，获得图像多尺度下的尺度空间表示序列，对这些序列进行 尺度空间主轮廓的提取，并以该主轮廓作为一种特征向量，实现边缘、 角点检测和不同分辨率上的特征提取等。 尺度空间中各尺度图像的模糊程度逐渐变大，能够模拟人在距离目 标由近到远时目标在视网膜上的形成过程。 尺度越大图像越模糊。 根据文献《Scale-space theory: A basic tool for analysing structures at different scales》我们可知，高斯核是唯一可以产生 多尺度空间的核，一个图像的尺度空间，L（x,y,σ) ,定义为原始图像 I(x,y)与一个可变尺度的2维高斯函数G(x,y,σ) 卷积运算。 3. 高斯模糊 高斯模糊是在Adobe Photoshop等图像处理软件中广泛使用的处理 效果，通常用它来减小图像噪声以及降低细节层次。这种模糊技术生成 的图像的视觉效果是好像经过一个半透明的屏幕观察图像。 在实际应用中，在计算高斯函数的离散近似时，在大概3σ距离之外的像素都可以看作不起作用，这些像素的计算也就可以忽略。 通常，图像处理程序只需要计算 高斯模糊具有圆对称性。 高斯模糊具有线性可分的性质，也可以在二维图像上对两个独立的一维空间分别进行计算。这样可以大大减少了运算的次数。 对一幅图像进行多次连续高斯模糊的效果与一次更大的高斯模糊可以产生同样的效果，大的高斯模糊的半径是所用多个高斯模糊半径平方和的平方根。例如，使用半径分别为 6 和 8 的两次高斯模糊变换得到的效果等同于一次半径为 10 的高斯模糊效果， 根据这个关系，使用多个连续较小的高斯模糊处理不会比单个高斯较大处理时间要少。 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。 为了让尺度体现其连续性，在简单 下采样的基础上加上了高斯滤波。 一幅图像可以产生几组（octave） 图像，一组图像包括几层 （interval）图像。 高斯金字塔的初始尺度 当图像通过相机拍摄时，相机的镜 头已经对图像进行了一次初始的模 糊，所以根据高斯模糊的性质： 高斯金字塔的组内尺度与组间尺度 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。 关键点描述 4.在窗口宽度为2X2的区域内计算8个方向的梯度方向直方图，绘制每个 梯度方向的累加值，即可形成一个种子点。然后再在下一个2X2的区域 内进行直方图统计，形成下一个种子点，共生成16个种子点。 关键点的匹配可以采用穷举法来完成，但是这样耗费的时间太多，一般都采用一种叫kd树的数据结构来完成搜索。搜索的内容是以目标图像的关键点为基准，搜索与目标图像的特征点最邻近的原图像特征点和次邻近的原图像特征点。 关键点匹配并不能标志着算法的结束，因为在匹配的过程中存在着大量的错配点。 CSIFT（Colored scale invariant feature transform ）彩色尺度特 征不变变换，可以针对彩色图像进行图像的不变特征提取。由 Farag 2006年提出。 SURF（SURF Speeded Up Robust Features），号称是SIFT 算法的增强版，SURF算法的计算量小，运算速度快，提取 的特征点几乎与SIFT相