sift特征点提取与匹配算法.pdfVIP

SIFT 特征点匹配算法 基于 SIFT 方法的图像特征匹配可分为特征提取和特征匹配两个部分， 可细化分为五个部分： ① 尺度空间极值检测（ Scale-space extrema detection ）； ② 精确关键点定位（ Keypoint localization ） ③ 关键点主方向分配（ Orientation assignment ） ④ 关键点描述子生成（ Keypoint descriptor generation ） ⑤ 比 较 描 述 子 间 欧 氏 距 离 进 行 匹 配 （Comparing the Euclidean distance of the descriptors for matching ） 1.1 尺度空间极值检测 特征关键点的性质之一就是对于尺度的变化保持不变性 。因此我们所要寻找的特征点 必须具备的性质之一， 就是在不同尺度下都能被检测出来。 要达到这个目的， 我们可以在尺 度空间内寻找某种稳定不变的特性。 Koenderink 和 Lindeberg 已经证明，变换到尺度空间唯一的核函数是高斯函数。因此 一个图像的尺度空间定义为： L(x, y , ) ，是由可变尺度的高斯函数 G (x , y , ) 与输入图像 I (x , y ) 卷积得到，即： L(x , y , ) G(x , y , ) I (x , y) （1.1 ） 1 ( x 2 y 2 ) / 2 2 其中： G (x , y, ) 2 e 2 在实际应用中，为了能相对高效地计算出关键点的位置，建议使用的是 差分高斯 函数 （difference of Gaussian ） D (x , y , ) 。其定义如下： D (x, y, ) (G(x, y, k ) G(x, y , )) I (x, y) （1.2 ） L (x, y, k ) L(x, y , ) 如上式， D 即是两个相邻的尺度的差（两个相邻的尺度在尺度上相差一个相乘系数 k ）。 图 1.1 图 1.1 所展示的是建立 DOG的一种实用的方法。 初始图像与不同σ值的高斯函数卷积， 得到 一垛模糊后的图像，然后将这一垛模糊图像临近两两相减即得所对应的 DOG。这些模糊后的 图像以 k 为系数在尺度空间里被分隔开， 并且该垛内最高的尺度应是最低尺度的 2 倍。为了 能开展后续工作（与尺度空间极值检测相关，将在后续文章中作出解释）并满足上述要求， 每垛需要通过卷积得到 s+3 个模糊后的图像，并且 s 和 k 需要具有关系 k 21/ s 。 在一垛图像建立完毕后，还需要降采样得到下一垛图像的 DOG。在实际操作中首先用 2 倍于第一垛图像的σ值建立出模糊图像， 然后再将此