该【SIFT特征课件 】是由【yzhluyin9】上传分享,文档一共【45】页,该文档可以免费在线阅读,需要了解更多关于【SIFT特征课件 】的内容,可以使用淘豆网的站内搜索功能,选择自己适合的文档,以下文字是截取该文章内的部分文字,如需要获得完整电子版,请下载此文档到您的设备,方便您编辑和打印。SIFT特征
主要内容
SIFT简介
SIFT原理
SIFT研究现状
SIFT图像中的应用
参考文献
、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-尺度不变特征变换(ScaleInvariantFeatureTransform,SIFT),2004年得到完善。
尺度空间的极值点检测
建立高斯金字塔
建立DOG金字塔
DOG空间极值点检测
关键点的精确定位
确定关键点的主方向
生成SIFT特征矢量(生成关键点的描述算子)
尺度空间的极值点检测
一个图像的尺度空间定义为原始图像
与一个可变尺度的2维高斯函数卷积运算。
建立高斯金字塔
高斯金子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。
根据不同的尺度,一幅图像可以产生几组(octave)图像,一组图像包括几层(interval)图像。
建立高斯金字塔
高斯金字塔共O组,每组S层,则有:
——尺度空间坐标;
s——sub-level层坐标;
——初始尺度;
S——每组层数。
组内相邻两层的尺度
组间相邻两层的尺度
组内和组间尺度可归纳为
建立DOG金字塔
在尺度空间中有效检测关键点的位置,对图像使用可变的高斯差分函数求尺度空间中的极值。
每组检测S个极值点,DOG金字塔每组需要S+2层,高斯金字塔每组需要S+3层。
关键点的精确定位
上面检测到的极值点是离散的空间极值点,通过三维二次函数精确确定关键点的位置和尺度,同时去除低对比度的极值点和不稳定的边缘响应点(DOG算子会产生较强的边缘响应),以增强匹配稳定性、提高抗噪声能力。
去除不稳定的边缘响应点:
获取极值点处的Hessian矩阵,主曲率
通过一个2*2的Hessian矩阵H求出。
D的主曲率和H的特征值成正比,令为最大特征值,为最小的特征值。
不满足的点就认为它不是关键点。
SIFT特征课件 来自淘豆网www.taodocs.com转载请标明出处.