SIFT算法尺度和空间整理.pdf

SIFT 算法小结 1 SIF T 发展历程 SIFT算法由 D.G.Lowe 1999年提出， 2004年完善总结。后来 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 。 2 SIFT 主要思想 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。 3 SIFT 算法的主要特点： 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 (Distinctiveness)好，信息量丰富，适用于在海量特征数据库中进 [23] 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。 4 SIFT 算法步骤： 1）检测尺度空间极值点 2）精确定位极值点 3）为每个关键点指定方向参数 4）关键点描述子的生成 5 SIFT 算法详细 ▲尺度空间的生成 尺度空间理论目的是模拟图像数据的多尺度特征。 高斯卷积核是实现尺度变换的唯一线性核 [] ，于是一副二维图像的尺度空间 定义为： L(x , y , ) G( x, y, ) I (x , y) （1） 1 ( x2 y 2 ) 2 其中 G (x , y , ) 是尺度可变高斯函数， G (x, y , ) 2 e / 2 （2 ） 2 （x ，y ）是空间坐标， 是尺度坐标。 大小决定图像的平滑程度，大尺度对应 图像的概貌特征，小尺度对应图像的细节特征。大的 值对应粗糙尺度 (低分辨 率 )，反之，对应精细尺度 (高分辨率 )。 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 。 D(x , y, ) (G (x , y ,k ) G(x , y , )) I (x , y) L(x , y , k ) L (x , y , ) （3 ） DOG 算子计算简单，是尺度归一化的 LoG 算子的近似。 图像金字塔的构建：图像金字塔共 O 组，每组有 S 层， 下一组的图像由上 一组图像降采样得到。 图 1 由两组高斯尺度空间图像示例金字塔的构建， 第二组的第一副？？图 像由第一组的第一副到最后一副图像由一个因子 2 降采样得到。 ????如何实 现？？ 图 2 DoG 算子的构建： 图1 Two octaves of a Gaussian scale-space image pyramid with s =2 intervals. The first image in the second octave is created by down sampling the second？？ to last image in the previous 图2 The difference of two adjacent intervals in the Gaussian scale-space pyramid create an interval