很好的SIFT算法中文讲义
需积分: 9 49 浏览量
2011-03-18
15:45:10
上传
评论
收藏 1.63MB PDF 举报
SIFT特征匹配技术讲义
1
导言：
SIFT 特征匹配算法是目前国内外特征点匹配研究领域的热点与难点，其匹配能力较强，可以处
理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，甚至在某种程度上对任意角度拍摄
的图像也具备较为稳定的特征匹配能力。该算法目前外文资料较多，但中文方面的介绍较少。为此
我撰写了这篇文档，以帮助国内的研究学者尽快入门，以最快的速度去体验 SIFT 算法的魅力！
作者：山东大学信息科学与工程学院 赵辉 bugzhao@sdu.edu.cn http://contact.ys168.com/
5.1 宽基线特征匹配概述
宽基线条件下点特征匹配的首要任务就是提取稳定的特征，并进行描述。这里稳定一词的含义
指的是希望该特征能对旋转、尺度缩放、仿射变换、视角变化、光照变化等图像变化因素保持一定
的不变性，而对物体运动、遮挡、噪声等因素也保持较好的可匹配性，从而可以实现差异较大的两
幅图像之间特征的匹配。
对图像变化保持稳定的特征描述符称为不变量，比如对图像的旋转保持稳定的不变量称为旋转
不变量(Rotation Invariant)，对尺度缩放保持稳定的不变量则称为尺度不变量(Scale Invariant)。
特征描述符(Featrue Descriptors)指的是检测图像的局部特征（比如边缘、角点、轮廓等），然后
根据匹配目标的需要进行特征的组合、变换，以形成易于匹配、稳定性好的特征向量，从而把图像
匹配问题转化为特征的匹配问题，进而将特征的匹配问题转化为特征空间特征向量的聚类问题
[51]
。
宽基线条件下的点特征匹配一般包括下面四个步骤
[30]
：
1.) 特征点检测。这些特征点一般是灰度变化的局部极值点，含有显著的结构性信息，甚至这些
点也可以没有实际的直观视觉意义，但却在某种角度、某个尺度上含有丰富的易于匹配的信
息。
2.) 特征点描述，即建立特征向量。这是各匹配算法主要的不同所在。特征空间的选择决定了图
像的哪些特性参与匹配，哪些特性将被忽略。特征点的特征描述符应是不变量，以确保最低
限度的受摄像机的运动或光照变化等因素的影响。选择合理的特征空间可以降低各类图像变
化因素对匹配算法速度、稳健性的影响。
3.) 进行特征匹配以获得候选匹配点。这一步根据特征向量的相似性来进行匹配，一般采用各种
1
本讲义主要改写于本人毕业论文中关于SIFT的讨论章节。推荐参考图书：《Visual C++/Matlab图像处理与识别实用案例精选》
剩余14页未读，继续阅读
资源评论
