SIFT特征检测算法整理1
需积分: 0 176 浏览量
2022-08-03
21:44:00
上传
评论
收藏 511KB PDF 举报
SIFT 特征检测算法整理
一. 基本思想
SIFT 作为一种著名的图像特征提取算法，由 David Lowe 在 1999 年所发明，2004 年完善总
结并发表。它的基本思想为在构建的尺度空间中寻找极值点（尺度空间极值检测），提取出
其位置（关键点定位）、尺度、以及一个主方向，并在此基础上以关键点所在的尺度及其周
围梯度构建描述子。
该算法具有尺度不变性、旋转不变性及光照不变性，受仿射变换、噪音等因素的影响较小。
其描述子具有的信息量较大，因而对于后续的特征匹配过程而言有很强的辨识性。但是与此
同时，不断地下采样和插值等操作带来的巨大计算量使得 SIFT 算法很难直接应用于一些实
时性要求较高的领域。而对于边缘光滑的目标，很难准确提取特征。
二. 尺度空间极值检测
在观察物体时，所感知到的图像的亮度、对比度等信息受物体的光照、位置等因素影响较大。
因此，在分析图像时，需要一种图像处理算子将这些影响剥离，使处理后的结果与灰度、对
比度、平移、尺度、仿射变换等因素无关。在这一思路下，Iijima 于 1962 年提出了尺度空间
（scale space）模型，并在之后经 witkin 和 Koenderink 等人的推广逐渐得到关注，在计算
机视觉邻域得到了广泛应用。
其基本思想为，模拟相机拍摄物体时由近到远的图像变化过程，在图像信息处理模型中引入
一个尺度参数，以改变尺度参数的形式获得多尺度下的图像序列（图像的模糊程度随尺度增
大而增大），并提取其主轮廓。之后在此基础上，实现边缘、角点检测和不同分辨率上的特
征提取等。这一方法改单尺度下的单一图像分析为不同尺度下的动态分析，相对而言更加容
易规避许多影响因素而获得图像本质信息。具体为在所有可能的尺度下搜索稳定、不变特征，
以检测不同尺度下具有不变性的位置，作为候选位置，进而进一步考较其细节。
2.1 尺度空间构建
要在所有尺度下搜索，进行特征检测，首先要构建图像的尺度空间。一个图像的尺度空间，
实际上是一个尺度连续函数，定义为一个变化尺度的高斯函数与原图像的卷积。尺度空间描
述一般指图像在不同尺度下的的描述。
尺度空间函数为
其中为卷积，
为以为方差的高斯函数
为更高效地检测不变特征，Lowe 在 1999 年提出，通过相差相邻乘系数的两个尺度的高斯
差分（difference-of-Gaussian，DoG 算子），即
，使用尺度空间极值的方式来检测
不变特征。
一方面，在计算图像平滑
后，只需计算图像减法即可，相对而言更加高效；另一
方面，DoG 提供了尺度规范下高斯拉普拉斯（Laplacian of Gaussian，LoG 算子，即
）
的近似解，有研究指出，相比许多梯度、角点函数，LoG 的最大、最小值产生了最稳定的图
像特征。因此，选择了这一函数来检测尺度空间极值。
评论0