SIFT算法原理分析和总结.pdfVIP

3.1.1 尺度空间极值检测 尺度空间理论最早出现于计算机视觉领域，当时其目的是模拟图像数据的多尺度特征。 随后 Koendetink 利用扩散方程来描述尺度空间滤波过程，并由此证明高斯核是实现尺度变 换的唯一变换核。 Lindeberg ，Babaud 等人通过不同的推导进一步证明高斯核是唯一的线性 核。 因此， 尺度空间理论的主要思想是利用高斯核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特征提取。二维高斯函数定义如下： 1 ( x2 y2 )/2 2 G (x , y , ) 2 e （5 ） 2 一幅二维图像，在不同尺度下的尺度空间表示可由图像与高斯核卷积得到： L( x, y , G( x , y , )* I ( x, y ) （6 ） 其中 (x,y)为图像点的像素坐标， I(x,y)为图像数据 , L 代表了图像的尺度空间。 σ称为尺度空间 因子， 它也是高斯正态分布的方差， 其反映了图像被平滑的程度， 其值越小表征图像被平滑 程度越小，相应尺度越小。大尺度对应于图像的概貌特征，小尺度对应于图像的细节特征。 因此，选择合适的尺度因子平滑是建立尺度空间的关键。 在这一步里面，主要是建立高斯金字塔和 DOG(Difference of Gaussian) 金字塔，然后在 DOG 金字塔里面进行极值检测，以初步确定特征点的位置和所在尺度。 (1)建立高斯金字塔 为了得到在不同尺度空间下的稳定特征点， 将图像 I (x , y) 与不同尺度因子下的高斯核 G (x , y , ) 进行卷积操作，构成高斯金字塔。 高斯金字塔有 o 阶，一般选择 4 阶，每一阶有 s 层尺度图像， s 一般选择 5 层。在高斯 金字塔的构成中要注意， 第 1 阶的第 l 层是放大 2 倍的原始图像， 其目的是为了得到更多的 特征点；在同一阶中相邻两层的尺度因子比例系数是 k ，则第 1 阶第 2 层的尺度因子是 k ， 然后其它层以此类推则可；第 2 阶的第 l 层由第一阶的中间层尺度图像进行子抽样获得， 其 尺度因子是 k 2 ，然后第 2 阶的第 2 层的尺度因子是第 1 层的 k 倍即 k 3 。第 3 阶的第 1 层由第 2 阶的中间层尺度图像进行子抽样获得。其它阶的构成以此类推。 (2) 建立 DOG 金字塔 DOG 即相邻两尺度空间函数之差，用 D (x , y , ) 来表示，如公式 (3)所示： D (x , y , ) (G(x , y , k ) G (x , y , ))* I (x , y) L(x , y , k ) L (x , y , ) (7) DOG 金字塔通过高斯金字塔中相邻尺度空间函数相减即可，如图 1 所示。在图中， DOG 金字塔的第 l 层的尺度因子与高斯金字塔的第 l 层是一致的，其它阶也一样。 图 1 高斯图像金字塔（ S=2）与 DOG 金字塔 (3)DOG 空间的极值检测 在上面建立的 DOG 尺度空间金字塔中， 为了检测到 DOG 空间的最大值和最小值， DOG 尺度空间中中间层 (最底层和最顶层除外 ) 的每个像素点需要跟同一层的相邻 8 个像素点以及 它上一层和下一层的