SIFT算法详解及应用课堂.pptVIP

Scale Invariant Feature Transform SIFT 2 31 DoG 局部极值检测 ? 关键点精确定位 为了提高关键点的稳定性，需要对尺度空间 DoG 函数进行曲线拟合。利用 DoG 函数在尺度空间的 Taylor 展开式： ? ? 2 2 1 2 T T D D D X D X X X X X ? ? ? ? ? ? ? 其极值点 ? ? ? , , T X x y ? ? 由于 DoG 值对噪声和边缘较敏感 , 因此 , 在上面 DoG 尺度空间中检测到局部 极值点还要经过进一步的检验才能精确定位为特征点。 Scale Invariant Feature Transform SIFT 2 32 DoG 局部极值检测 上式去除那些对比度较低的不稳定极值点。 Lowe 的试验显示，所有 取值小于 0.04 的极值点均可抛弃（ 像素灰度值范围 [0 ， 1] ）。 1 2 T D D X D X X ? ? ? ? ? ? ? ? ? ? ? 在计算过程中，分别对图像的行、列及尺度三个量进行了修正，其修 正结果如下： 为修正值 X ? 在 Lowe 的程序中，对坐标进行了五次修正。 2 1 2 ( ) T D D X X X ? ? ? ? ? ? ? ? 将修正后的结果代入式 ? ? 2 2 1 2 T T D D D X D X X X X X ? ? ? ? ? ? ? 求解得 ? ? 2 2 1 2 T T D D D X D X X X X X ? ? ? ? ? ? ? Scale Invariant Feature Transform SIFT 2 33 DoG 局部极值检测 ? 去除边缘响应 仅仅去除低对比度的极值点对于极值点的对于特征点稳定性是远远不 够的。 DoG 函数在图像边缘有较强的边缘响应，因此我们还需要排除边 缘响应。 DoG 函数的（欠佳的）峰值点在横跨边缘的方向有较大的主曲率，而 在垂直边缘的方向有较小的主曲率。主曲率可以通过计算在该点位置尺度 的 2 × 2 的 Hessian 矩阵得到，导数由采样点相邻差来估计： xx xy xy yy D D H D D ? ? ? ? ? ? ? xx D 表示 DOG 金字塔中某一尺度的图像 x 方向求导两次 Scale Invariant Feature Transform SIFT 2 34 ? ? ? ? ? ? 2 2 1 Tr H r Det H r ? ? 在两特征值相等时达最小，随 r 的增长而增长。 Lowe 论文中 建议 r 取 10 。 ? ? 2 1 r r ? DoG 局部极值检测 r ? ? ? ? ? ? ? ? ? ? ? 2 2 2 1 Tr H r Det H r ? ? ?? ? ? ? ? D 的主曲率和 H 的特征值成正比，为了避免直接的计算这些特征值，而只是考 虑它们的之间的比率。令为 最大特征值 ， 为最小的特征值，则 ? ? ? ? xx yy Tr H D D ? ? ? ? xx yy xy xy Det H D D D D ? ? ? ? 时将关键点保留，反之剔除 Scale Invariant Feature Transform SIFT 2 35 关键点方向分配 通过尺度不变性求极值点，可以使其具有缩放不变的性质，利用关键 点邻域像素的梯度方向分布特性，我们可以为每个关键点指定方向参数方 向， 从而使描述子对图像旋转具有不变性。 ? ? , , I I gradI x y x y ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 2 2 , 1, 1, , 1 , 1 m x y L x y L x y L x y L x y ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 1 , 1 , 1 , tan 1, 1, L x y L x y x y L x y L x y ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 像素点的梯度表示 梯度幅值： 梯度方向： 我们通过求每个极值点的梯度来为极值点赋予方向。 Scale Invariant Feature Transform SIFT 2 36 关键点方向分配 ? 方向直方图的生成 确定关键点的方向采用梯度直方图统计法，统计以关键点为原点， 一定区域内的图像像素点对关键点方向生成所作的贡献。 Scale Invariant Feature Transform SIFT 2 37 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