没有合适的资源?快使用搜索试试~ 我知道了~
SIFT算法分析.pdf
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 156 浏览量
2021-12-21
13:38:08
上传
评论
收藏 1.03MB PDF 举报
温馨提示
试读
13页
。。。
资源推荐
资源详情
资源评论
SIFT 算法分析
1 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.
2 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
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。
3 SIFT 算法流程图:
4 SIFT 算法详细
1)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)
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.
其中
G(x, y,
)
是尺度可变高斯函数,
G(x, y,
)
1
e
( x
2
y
2
)
/ 2
2
D(x, y,
) (G(x, y,k
) G(x, y,
)) I (x, y) L(x, y, k
) L(x, y,
)
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。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 to last image in the previous
图2 The difference of two adjacent intervals in the Gaussian scale-space pyramid create an
interval in the difference—of—Gaussian pyramid (shown in green)。
2) 空间极值点检测
为了寻找尺度空间的极值点,每一个采样点要和它所有的相邻点比较,看其
是否比它的图像域和尺度域的相邻点大或者小.如图3所示,中间的检测点和它同
尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较,以确保在尺度
空间和二维图像空间都检测到极值点. 一个点如果在DOG尺度空间本层以及上
下两层的26个领域中是最大或最小值时,就认为该点是图像在该尺度下的一个特
征点,如图1所示。
图 3 DoG 尺度空间局部极值检测
3) 构建尺度空间需确定的参数
-尺度空间坐标
O-octave坐标
S- sub-level 坐标
和O、S的关系
(o, s)
0
2
os / S
,
o o
min
[0,...,O 1],
s [0,..., S 1]
剩余12页未读,继续阅读
资源评论
苦茶子12138
- 粉丝: 1w+
- 资源: 6万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功