利用算法实现图像自动拼接.ppt

利用算法实现图像自动拼接 第一页，共三十二页，2022年，8月28日 1999年British Columbia大学大卫.劳伊（David G.Lowe）教授总结了现有的基于不变量技术的特征检测方法，并正式提出了一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子－SIFT（尺度不变特征变换），这种算法在2004年被加以完善。 SIFT提出的目的和意义 David G. Lowe Computer Science Department2366 Main MallUniversity of British ColumbiaVancouver, B.C., V6T 1Z4, Canada E-mail: lowe@cs.ubc.ca SIFT简介 第二页，共三十二页，2022年，8月28日 SIFT算法实现细节 SIFT算法实现步骤简述 SIFT算法的实质可以归为在不同尺度空间上查找特征点（关键点）的问题。 第三页，共三十二页，2022年，8月28日 所谓关键点，就是在不同尺度空间的图像下检测出的具有方向 信息的局部极值点。 根据归纳，我们可以看出特征点具有的三个特征： 尺度 方向 大小 关键点检测的相关概念 1. 哪些点是SIFT中要查找的关键点（特征点）？ 这些点是一些十分突出的点不会因光照条件的改变而消失，比如角点、 边缘点、暗区域的亮点以及亮区域的暗点，既然两幅图像中有相同的景物， 那么使用某种方法分别提取各自的稳定点，这些点之间会有相互对应的匹配点。 * * 第四页，共三十二页，2022年，8月28日 尺度空间理论最早在1962年提出，其主要思想是通过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主轮廓的提取，并以该主轮廓作为一种特征向量，实现边缘、角点检测和不同分辨率上的特征提取等。 尺度空间方法的基本思想是：在视觉信息(图像信息)处理模型中引入一个被视为尺度的参数，通过连续变化尺度参数获得不同尺度下的视觉处理信息，然后综合这些信息以深入地挖掘图像的本质特征。 构建尺度空间的目的是检测对于图像的尺度变化具有不变性的位置，可以使用尺度的连续函数也就是尺度空间在所有可能的尺度中寻找稳定的特征。 尺度空间（scale space ） 关键点检测的 关键点检测的相关概念 第五页，共三十二页，2022年，8月28日 根据文献《Scale-space theory: A basic tool for analysing structures at different scales》我们可知，高斯核是唯一可以产生 多尺度空间的核，一个图像的尺度空间，L（x,y,σ) ,定义为原始图像 I(x,y)与一个可变尺度的2维高斯函数G(x,y,σ) 卷积运算。 关键点检测 高斯函数 关键点检测的相关概念 第六页，共三十二页，2022年，8月28日 当尺度因子σ逐渐增大时的一组高斯尺度空间。 第七页，共三十二页，2022年，8月28日 为了在尺度空间中有效的检测稳定关键点的位置，Lowe提出了高斯差分卷积 DOG（Difference of Gaussians） 关键点检测——DOG 第八页，共三十二页，2022年，8月28日 DoG（Difference of Gaussian）函数 关键点检测——DOG * * 第九页，共三十二页，2022年，8月28日 关键点检测——DOG 第十页，共三十二页，2022年，8月28日 高斯差分函数DOG的优点？ 1）计算效率高：由于 L 对于每个尺度空间都是需要计算的，而 D 只需在此基础上做减法操作； 2）高斯差分函数 DoG（Difference-of-Gaussian）是尺度归一化算子 LoG（Laplacian of Gaussian）的近似 第十一页，共三十二页，2022年，8月28日 LOG算子与高斯核函数的关系 通过推导可以看出，LOG算子与高斯核函数的差有直接关系， 由此引入一种新的算子DOG（Difference of Gaussians）， 即高斯差分算子。 关键点检测——DOG 第十二页，共三十二页，2022年，8月28日 高斯金字塔的构建过程可分为两步： （1）对图像做高斯平滑； （2）对图像做降采样。 为了让尺度体现其连续性，在简单 下采样的基础上加上了高斯滤波。 一幅图像可以产生几组（octave） 图像，一组图像包括几层（interval）图像。 关键点检测 高斯金字