刘宏娟
SIFT 算法小结
David.Lowe,总结了现有的基于不变量技术的特征检测方法,正式提出了
一种基于尺度空间的,对图像平移、旋转、缩放、甚至仿射变换保持不变性的
图像局部特征,以及基于该特征的描述符。并将这种方法命名为尺度不变特征
变换(Scale Invariant Feature Transform),简称 SIFT 算法。
①SIFT 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。
②SIFT算法的主要特点:
a) SIFT特征是图像的局部特征,其对平移、旋转、尺度缩放、亮度变化保
持不变性,对对光照变化、视角变化、仿射变换、噪声也保持一定程度的稳定
性。具有较强的鲁棒性。
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,在特征匹配时可以以一个很高的概率正确匹配。
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,这对于目
标识别非常重要。
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。
③SIFT 算法步骤:
1) 检测尺度空间极值点
2) 精确定位极值点,得到关键点,并确定关键点的位置和所处的尺度
3) 为每个关键点指定方向参数(使用极值点邻域梯度的主方向作为该关键
点的方向特征,以实现算子对尺度和方向的无关性)
4) 关键点描述子的生成
利用 SIFT 算法从图像中提取出的特征可用于同一个物体或场景的可靠匹配。
④SIFT 算法的原理
▲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。(为了使特征具有尺度
不变性,特征点的检测是在多尺度空间完)成的。尺度空间理论最早出现于计
算机视觉领域时,其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变换核,并且是唯一的线性核。 所以一
幅二维图像的尺度空间定义为:
其 中 是尺度可 变 高 斯
函数,
(x,y)是空间坐标,符号*表示卷积, (x,y)代表图像的像素位置,是尺
度空间因子,值越小表示图像被平滑的越少,相应的尺度也就越小。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。
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。
选
评论4
最新资源