图像SIFT特征提取研究.ppt

图像SIFT特征提取研究 SIFT算法由David G. Lowe 1999年提出， 2004年总结不变量技术的特征检测方法 ,提出的一种对尺度空间、图像缩放、旋转甚至仿射不变的图像局部特征描述算子。 SIFT 主要思想与算法的主要特点 思想： 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： a) 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。 b) 独特性好，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。 c) 多量性，即使少数的几个物体也可以产生大量SIFT特征向量。 d) 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求。 e) 可扩展性，可以很方便的与其他形式的特征向量进行联合。 SIFT算法步骤： 检测尺度空间极值点 精确定位极值点 为每个关键点指定方向参数 关键点描述子的生成 尺度空间的极值检测 为了达到尺度不变性 ,理论上必须在图像所有可能的尺度空间中搜索不变的特征 ,但是实际上这是不可能的。解方法就是对尺度空间图像进行亚采样。将平滑和亚采样重复进行 ,就可得到能构成金字塔的一系列图像。 如下定义二维高斯滤σ波函数。其中 表示高斯函数的方差。 一幅 N ×N的图像 I（ x, y ），在不同尺度空间下的表示可以由图像与高斯核卷积得到 Gaussian图像: 其中: σ称之为尺度空间因子 ,其值越小表示图像被平滑得越少。大尺度对应图像的概貌 ,小尺度对应图像的细节。 为了有效的在尺度空间检测到稳定的关键点，提出了高斯差分尺度空间（DOG scale-space）。利用不同尺度的高斯差分核与图像卷积生成。DOG算子定义为： 高斯金字塔分为 n阶 （octave） ,每一阶分为 s 层。为了在这 s层上检测特征点,需要产生 s + 2幅DOG图像 ,对应 s +3幅 Gaussian图像。这 s +3幅 Gaussian图像从下到上尺度比例以 k递增 ,即是说 ,若当前的 Gaussian图像的尺度参数为 σ,则下一层的 Gaussian图像的尺度参数为kσ。为了要让一阶之间有 s层,本文规定 k =2 。将同一阶中的 s +3层的 Gaussian图像 ,相邻的图像相减就产生了相应的s +2层 DOG图像。 为了产生下一阶的 Gaussian图像 ,对上一阶产生的最后一幅 N ×N的 Gaussian图像进行1:2的亚采样，生成 N /2 ×N /2的图像在亚采样图像基础上重复上述建立 s +3层 Gaussian图像的过程。 图像金字塔的构建 具体过程为:将输入影像通过不同尺度（σ）的高斯核函数连续滤波和下采样 （Sub - Sampled ）,形成高斯金字塔影像 ,然后再对相邻尺度的两个高斯影像相减得到 DOG金字塔多尺度空间表示。 尺度空间的构建 尺度空间的构建 尺度空间极值检测 为了寻找尺度空间极值点 ,每一个采样点要和它所有的相邻点进行比较 ,看其是否比它的影像域和尺度域的相邻点大或者小。如图所示 ,中间的检测点和它同尺度的 8邻域点和上下相邻尺度对应的 9 ×2个点共 26个点进行比较 ,确保尺度空间和二维影像空间都检测到极值点。 关键点的确定 极值检测得到的所有候选关键点 ,还必须通过两步检验才能确定是关键点: 它必须与周围的像素有明显的差异 ,也就是说低对比度的点不要; 它不能是边缘点。 1 低对比度的点 通过拟合三维二次方程 ,可以找出低对比度的点。对 D（x,y,σ）进行泰勒展开到二次项: 其中:D是 DOG计算的结果; x是候选关键点之一。由 D和 x 可以找到一个偏移量: 如果计算得到的 0.03,则该点是低对比度的点。 2 边缘处的点 类似 Harris边缘检测的方法 ,计算 Hessian矩阵: α令 为最大特征值， β为最小的特征值则： 关键点的大小和方向 为了使算子具备旋转不变性,采用梯度直方图来确定关键点的主方向。点 （x, y） 处梯度的模值和方向的计算公式为： 对于每一个关键点 ,本文考虑它的邻近的一个邻域窗口内点的梯度方向 ,最多人投票的方向就当做该点的主方向。而每个邻近的点对中央这个点的权重由高斯分布再乘上该点的梯度的大小来决定。 在实际计算时，我们在以关键点为中心的邻域窗口内采样，并用直方图统计邻域像素的梯度方向。梯度直方图的范围是0～360度，其中每10度一个柱，总共36个柱。直方图的峰值则代表了该关键点处邻域梯度的主方向，即作为该关键点的方向。下图是采用7个柱时使用梯度直方图为关键点确定主方向的示例。 图1 由梯度方向