sift算法原理(备份).ppt

《sift算法原理(备份).ppt》由会员分享，可在线阅读，更多相关《sift算法原理(备份).ppt（27页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、sift算法原理1目录vvSift算法的主要特点vvSift算法的步骤vv总结2Sift算法的主要特点：vv稳定性稳定性vv独特性独特性vv多量性多量性vv高速性高速性vv可扩展性可扩展性3Sift算法主要步骤：vv尺度空间的极值点检测尺度空间的极值点检测l l建立高斯金字塔建立高斯金字塔l l生成生成DOGDOG金字塔金字塔l lDOGDOG空间极值点检测空间极值点检测vv关键点的精确定位关键点的精确定位vv确定关键点的主方向确定关键点的主方向vv生成生成siftsift特征矢量（生成关键点的描述子）特征矢量（生成关键点的描述子）4一副二维图像，在不同尺度下的尺度空间表示可由图像与高斯核卷积

2、得到：式中，代表图像的像素位置，代表图像的尺度空间，为尺度空间因子，其值越小则表征被平滑的越少，相应的尺度也就越小。同时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。.尺度空间的极值检测5高斯卷积核是实现尺度变换的唯一线性核，其定义如下：其中，是空间坐标，代表高斯正态分布的方差，亦即尺度坐标（在尺度空间中）。61.建立高斯金字塔v高斯金字塔有O组，一般选择4组，每一阶有S层尺度图像，S一般选择5层vLowe的文章中 每组有s+3层图像 将原始图像隔点采样生成下一组尺度空间。%程序中smin=-1时为6层图像，smin=0时为5层图像78构建尺度空间需确定的参数 是尺度空间坐标，是oc

3、tave坐标 是sub-level坐标 三者关系是在Lowe的文章中使用了如下的参数 在组 图像用双线性插值扩大一倍（对于扩大的图像 ）是基准层尺度,即0组0层尺度 是输入原始图像尺度。92.建立DOG金字塔：为了有效提取稳定的关键点，利用不同尺度的高斯差分核与图像卷积生成。10将每一组尺度空间中的相邻高斯尺度函数相减，生成高斯差分金字塔。11a是第二组的第一层图像由第一组的的最后第二层图像隔点采样得到。b是通过相邻高斯尺度空间图像想减得到。ab12133.DOG空间的极值检测：极值点的搜索是通过同一组内DOG相邻层之间比较完成的.为了寻找尺度空间的极值点，每一个采样点都要和它所有的相邻点比较

4、，以确保在尺度空间和二维图像空间都检测到极值点。14.关键点的精确定位 通过拟合三维二次函数以精确确定关键点的位置，同时去除低对比度的关键点和不稳定的边缘响应点（因为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。在关键点处用泰勒展开式得到：式中，为关键点的偏移量，是 在关键点处的值。15令可以得到 的极值 ：如果 （相对于插值中心点的偏移量）在任一方向上的偏移大于0.5时，就意味着该关键点与另一采样点（检测点）非常接近，这样的点就要删除。为了增强匹配的稳定性，需要删除低对比度的点。将 代入 得：可以用来衡量特征点的对比度，如果 ，则 为不稳定的特征点，应删除。的经验值为0.

5、03.16因为DOG算子会产生较强的边缘响应，所以应去除低对比度的边缘响应点，以增强匹配的稳定性，提高抗噪声能力。一个平坦的DOG响应峰值往往在在横跨边缘的地方有较大的主曲率，而在垂直边缘的方向有较小的主曲率。主曲率通过一个2*2的Hessian矩阵 求出：导数 通过相邻采样点的差值计算。的主曲率和 的特征值成正比，令 ，为最大，最小特征值，则17令 为最大特征值与最小特征值的比值，则为了检测主曲率是否在某阈值 下，只需检测的经验值为1018没有进行任何处理的关键点19去除了低对比度之后的点20去除边界效应强的特征点21.确定关键点的主方向 为了实现图像的实现旋转不变性，需要根据检测到的特征点

6、局部图像结构求得一个方向基准。用图像梯度的方法求取该局部结构的稳定方向。对于已检测到的特征点，我们已经知道该特征点的尺度值 ，因此根据这一尺度值，得到接近这一尺度值的高斯图像。上式中，和 分别为高斯金字塔 处梯度的大小和方向，所用到的尺度为每个关键点所在的尺度22以关键点为中心的邻域窗口内采样，并用直方图统计邻域像素的梯度方向。梯度直方图的范围是0360度，其中，每10度一个柱，共36个柱。直方图的主峰值（最大峰值）代表了关键点处邻域梯度的主方向，即关键点的主方向。至此，图像的关键点已检测完毕，每个关键点有三个信息：位置、所处尺度、方向。23.生成sift特征矢量首先，将坐标轴旋转到关键点的主

7、方向。只有以主方向为零点方向来描述关键点才能使其具有旋转不变性。其次，以关键点为中心取8*8的窗口。进而计算每个4*4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点。每个种子点有8个方向向量信息。24为了增强匹配的稳健性，Lowe建议对每个关键点可使用4*4共16个种子点来描述，这样对于一个关键点就可以产生128个数据，即最终形成128维的sift特征矢量。此时sift特征向量已经去除了尺度变化、旋转等几何变形因素的影响，再继续将特征向量的长度归一化，则可以进一步去除光照变化的影响。25特征向量归一化处理：1.将用三维数组存储的梯度转换为用一维数组存储，一维数组的大小为1282.对128个梯度进行归一化处理3.将归一化后的梯度值限制在0.2：如果某一个归一化后的梯度值大于0.2，则该梯度值将被直接取值为0.24.再次进行梯度归一化处理5.对每一个梯度值乘以一个系数（经验值为512.0），将浮点的梯度值转化为整数。如果乘积大于512，则该梯度值就为512，否则为乘积值。26 总结pSift算法的优缺点：优点：1.需要较少的经验主义知识，易于开发 2.具有较强的匹配能力和鲁棒性（由其特点可知）缺点：维数高实时性差p Sift算法的应用领域：图像检索，图像配准，人脸识别等27