基于尺不变特征变换的图像匹配.pptx

《基于尺不变特征变换的图像匹配.pptx》由会员分享，可在线阅读，更多相关《基于尺不变特征变换的图像匹配.pptx（51页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、特征匹配特征匹配 特征匹配是指通过分别提取两个或多个图像的特征匹配是指通过分别提取两个或多个图像的特征（点、线、面等特征），对特征进行参数描述，特征（点、线、面等特征），对特征进行参数描述，然后运用所描述的参数来进行匹配的一种算法。然后运用所描述的参数来进行匹配的一种算法。与基于灰度的匹配方法相比，特征相对于几何与基于灰度的匹配方法相比，特征相对于几何图象和辐射度影响来说更不易变化，但特征提取方图象和辐射度影响来说更不易变化，但特征提取方法的计算代价通常较大。法的计算代价通常较大。图像匹配的核心问题：将图像匹配的核心问题：将不同的分辨率、不同的亮度属性、不同的位置（平移和旋转）、不同的比例尺、

2、不同的非线性变形的图像对应起来的图像对应起来。第1页/共51页尺度不变特征算法的提出尺度不变特征算法的提出 David G.Lowe在在1999年所发表，年所发表，2004年总结年总结了现有的基于不变量技术的特征检测方法，并了现有的基于不变量技术的特征检测方法，并正式提出了一种基于尺度空间的、对图像缩放、正式提出了一种基于尺度空间的、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旋转甚至仿射变换保持不变性的图像局部特征描述算子描述算子尺度不变特征变换（尺度不变特征变换（SIFT算法算法）。）。第2页/共51页图像尺度空间高斯卷积核是实现尺度变换的唯一线性核高斯卷积核是实现尺度变换的唯一线

3、性核 尺度空间理论是通过对原始图像进行尺度变换尺度空间理论是通过对原始图像进行尺度变换,获得图像多尺度下的尺度空间表示序列获得图像多尺度下的尺度空间表示序列,对对这些序列进行尺度空间主轮廓的提取这些序列进行尺度空间主轮廓的提取,并以该主并以该主轮廓作为一种特征向量轮廓作为一种特征向量,提取提取的的特征特征点点可能是可能是角点、角点、边缘点、暗区域的亮点以及亮区域的暗点边缘点、暗区域的亮点以及亮区域的暗点等等第3页/共51页尺度空间的生成：尺度空间的生成：Koendetink证明高斯卷积核是实现尺度变换的唯一变换核，证明高斯卷积核是实现尺度变换的唯一变换核，而而Lindeberg等人则进一步证明

4、高斯核是唯一的线性核。二等人则进一步证明高斯核是唯一的线性核。二维高斯函数定义如下：维高斯函数定义如下：代表了高斯正态分布的方差。代表了高斯正态分布的方差。一幅二维图像，在不同尺度下的尺度空间表示可由图像与高一幅二维图像，在不同尺度下的尺度空间表示可由图像与高斯核卷积得到：斯核卷积得到：式中，式中，(x,y)代表图像的像素位置，代表图像的像素位置，称为尺度空间因子，称为尺度空间因子，其值越小则表征该图像被平滑的越少，相应的尺度也就越小。其值越小则表征该图像被平滑的越少，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

5、。征。L L代表了图像的尺度空间。代表了图像的尺度空间。高斯尺度空间是一种模拟人眼视觉机理的理想数学模型。高斯尺度空间是一种模拟人眼视觉机理的理想数学模型。第4页/共51页SIFTSIFT变换思想变换思想 SIFT算法首先在尺度空间进行特征检测，并确定关键点算法首先在尺度空间进行特征检测，并确定关键点(Keypoints)的位置和关键点所处的尺度，然后使用关键点邻的位置和关键点所处的尺度，然后使用关键点邻域梯度的主方向作为该点的方向特征，以实现算子对尺度和域梯度的主方向作为该点的方向特征，以实现算子对尺度和方向的无关性。为了有效的在尺度空间检测到稳定的关键点，方向的无关性。为了有效的在尺度空间

6、检测到稳定的关键点，提出了高斯差分尺度空间（提出了高斯差分尺度空间（DOG scale-space）。利用不同尺度）。利用不同尺度的高斯差分核与图像卷积生成。的高斯差分核与图像卷积生成。DOG算子计算简单，是尺度归一化的算子计算简单，是尺度归一化的LoG算子的近似。算子的近似。第5页/共51页SIFTSIFT变换思想变换思想 Lowe在图像二维平面空间和在图像二维平面空间和DoG(Difference-of-Gaussian)尺度空间中同时检测局部极值以作为特征尺度空间中同时检测局部极值以作为特征点，以使特征具备良好的独特性和稳定性。对于图像点，以使特征具备良好的独特性和稳定性。对于图像上的点

7、，计算其在每一尺度下上的点，计算其在每一尺度下DoG算子的响应值，这算子的响应值，这些值连起来得到特征尺度轨迹曲线。特征尺度曲线的些值连起来得到特征尺度轨迹曲线。特征尺度曲线的局部极值点即为该特征的尺度。尺度轨迹曲线上完全局部极值点即为该特征的尺度。尺度轨迹曲线上完全可能存在多个局部极值点，这时可认为该点有多个特可能存在多个局部极值点，这时可认为该点有多个特征尺度。征尺度。第6页/共51页SIFTSIFT特征匹配算法特征匹配算法步骤步骤 SIFT特征匹配算法包括两个阶段特征匹配算法包括两个阶段:第一阶段是第一阶段是SIFT特征的生特征的生成，即从多幅待匹配图像中提取出对尺度缩放、旋转、亮度成，

8、即从多幅待匹配图像中提取出对尺度缩放、旋转、亮度变化无关的特征向量；第二阶段是变化无关的特征向量；第二阶段是SIFT特征向量的匹配。特征向量的匹配。一幅图像一幅图像SIFT特征向量的生成算法总共包括特征向量的生成算法总共包括4步：步：(1)尺度空间极值检测，以初步确定关键点位置和所在尺度。尺度空间极值检测，以初步确定关键点位置和所在尺度。(2)通过拟和三维二次函数以精确确定关键点的位置和尺度，通过拟和三维二次函数以精确确定关键点的位置和尺度，同时去除低对比度的关键点和不稳定的边缘响应点同时去除低对比度的关键点和不稳定的边缘响应点。(3)利用关键点邻域像素的梯度方向分布特性为每个关键点指利用关键

9、点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性。定方向参数，使算子具备旋转不变性。(4)生成生成SIFT特征向量。特征向量。第7页/共51页SIFT特征向量的匹配 当两幅图像的当两幅图像的SIFT特征向量生成后，采用关键特征向量生成后，采用关键点特征向量的欧式距离来作为两幅图像中关键点的点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量。取图像相似性判定度量。取图像1中的某个关键点，并找中的某个关键点，并找出其与图像出其与图像2中欧式距离最近的前两个关键点，在中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离这两个关键点中，如果最近

10、的距离除以次近的距离少于某个比例阈值，则接受这一对匹配点。降低这少于某个比例阈值，则接受这一对匹配点。降低这个比例阈值，个比例阈值，SIFT匹配点数目会减少，但更加稳定。匹配点数目会减少，但更加稳定。第8页/共51页建立DOG尺度空间 SIFT方法是通过寻找尺度空间中的极值来确定特征点，方法是通过寻找尺度空间中的极值来确定特征点，首先必须来构建图像的高斯差分首先必须来构建图像的高斯差分(DOG)金字塔尺度空间，然金字塔尺度空间，然后在后在DOG金字塔尺度空间中进行极值检测。金字塔尺度空间中进行极值检测。DOG差分尺度空间由不同尺度的高斯差分核与图像卷积生差分尺度空间由不同尺度的高斯差分核与图像

11、卷积生成：成：k为常数为常数 在建立高斯金字塔过程中，高斯金字塔一般选择为在建立高斯金字塔过程中，高斯金字塔一般选择为4阶，每阶，每一阶有一阶有s层尺度图像，层尺度图像，s一般选择为一般选择为5层。其中，第层。其中，第1阶的第阶的第l层层是放大是放大2倍的原始图像，其目的是为了得到更多的特征点。在倍的原始图像，其目的是为了得到更多的特征点。在同一阶中相邻两层的尺度因子比例系数是同一阶中相邻两层的尺度因子比例系数是k。下一阶的第。下一阶的第l层由层由上一阶的中间层尺度图像进行子抽样获得，其尺度因子是上上一阶的中间层尺度图像进行子抽样获得，其尺度因子是上一层的一层的k倍。倍。第9页/共51页高斯差

12、分金字塔 如如下下图图1 1左图所示，左图所示，DOGDOG金字塔通过高斯金字塔中相邻尺度空金字塔通过高斯金字塔中相邻尺度空间函数相减得到的，在图中，间函数相减得到的，在图中，DOGDOG金字塔的第金字塔的第l l层的尺度因子与高层的尺度因子与高斯金字塔的第斯金字塔的第l l层是一致的，其他阶也一样层是一致的，其他阶也一样。第10页/共51页s sOriginal image Sampling withstep s s4 4 =2s ss ss s高斯DOG金字塔第11页/共51页高斯差分金字塔 Lowe的sigma初值为常量，用户设定，实验时取1.6，做高斯卷积的时候可以取sigma,k*s

13、igma,k*k*sigma.这里k=pow(2.0,1.0/intvls，其中intvls就是你想做几层高斯金字塔，一般intvls=3 第12页/共51页高斯金字塔与高斯差分金字塔高斯金字塔与高斯差分金字塔第13页/共51页尺度空间极值检测尺度空间极值检测 寻找范围：差分金字塔中的第0层和最上面的一层排除中间的差分图像中，像素的横坐标或者纵坐标中任一个值与图像边界值之间的差值小于5的点排除。为了检测到DOG空间的最大值和最小值，DOG尺度空间中的中间层(最底层和最顶层除外)的每个像素点需要跟同一层的相邻8个像素点以及它上一层和下一层的9个相邻像素点总共26个相邻像素点进行比较，以确保在尺度

14、空间和二维图像空间都检测到局部极值。初步确定关键点位置和所在尺度。第14页/共51页特征点过滤和位置确定特征点过滤和位置确定 由于由于DOGDOG值对噪声和边缘较敏感，因此，在上面值对噪声和边缘较敏感，因此，在上面DOGDOG尺度中尺度中检测到局部极值点还要经过进一步的处理，将候选特征点中低检测到局部极值点还要经过进一步的处理，将候选特征点中低对比度对噪声敏感的候选特征点或位于边缘的候选特征点过滤对比度对噪声敏感的候选特征点或位于边缘的候选特征点过滤掉。然后才能确定稳定特征点的位置和尺度等信息。掉。然后才能确定稳定特征点的位置和尺度等信息。得到候选的特征点后，需要利用其周围的数据对特征点进得到

15、候选的特征点后，需要利用其周围的数据对特征点进行精确的定位。行精确的定位。SIFTSIFT特征是通过拟和三维二次函数来精确确特征是通过拟和三维二次函数来精确确定特征点的位置和尺度的定特征点的位置和尺度的.第15页/共51页关键点位置不精确三维曲面拟合 Taylor展开式n过滤低对比度点n过滤边缘响应点第16页/共51页特征点过滤和位置确定特征点过滤和位置确定 X=(x,y,)T,D是D(x,y,)在候选特征点处的值。令 =0可以得到特征点的精确位置和尺度：可以用来衡量特征点的对比度，即如果可以用来衡量特征点的对比度，即如果则则 为不稳定的特征点。为不稳定的特征点。在候选的特征点处用在候选的特征

16、点处用 TaylorTaylor 展开式得到展开式得到：第17页/共51页特征点过滤和位置确定特征点过滤和位置确定 因为因为DoG算子会产生较强的边缘响应算子会产生较强的边缘响应，一个定义不好的高一个定义不好的高斯差分算子的极值在横跨边缘的地方有较大的主曲率，而斯差分算子的极值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。在垂直边缘的方向有较小的主曲率。特征点特征点两个方向导数的大小反映在两个方向导数的大小反映在Hessian矩阵的特征值矩阵的特征值中：中：式中式中DXX、DXY、DYY均为二阶方向导数，设矩阵均为二阶方向导数，设矩阵H的特的特征值为征值为、()，则有则有：

17、第18页/共51页精确确定关键点的位置和尺度精确确定关键点的位置和尺度 其中其中Tr(H)Tr(H)为矩阵的迹，为矩阵的迹，Det(H)Det(H)为矩阵行列式值，为矩阵行列式值，设设=，则有：，则有：对于边缘，由于在两个主方向的方向导数差别对于边缘，由于在两个主方向的方向导数差别较大，较大，(+1)(+1)2 2的值将会较大，因此对于的值将会较大，因此对于不满足不满足 （lowslows论文中论文中=10=10）即可认为该点在边缘上，此时应该将其剔除。即可认为该点在边缘上，此时应该将其剔除。第19页/共51页 (a)原始影像 (b)在DoG检测的初始关键点 (c)用对比度限制 (d)用对比度

18、和边缘响应去除第20页/共51页为每个关键点指定方向参数为每个关键点指定方向参数 在在DOG尺度空尺度空间间检测到的局部极值点在经过精确化点的检测到的局部极值点在经过精确化点的位置、剔除低对比度的点、消除边缘响应后所保留的点被位置、剔除低对比度的点、消除边缘响应后所保留的点被称为关键点称为关键点(Keypoint)，此时的关键点信息包括位置信息，此时的关键点信息包括位置信息及尺度信息。及尺度信息。SIFT算法以算法以关键点邻域图元点的梯度方向分布特性作关键点邻域图元点的梯度方向分布特性作为指定方向参数，使算子具备旋转不变性。在实际计算时，为指定方向参数，使算子具备旋转不变性。在实际计算时，以关

19、键点为中心的邻域窗口采样，计算每个像素点的梯度以关键点为中心的邻域窗口采样，计算每个像素点的梯度向量，计算公式如下：向量，计算公式如下：第21页/共51页确确定特征点主方向定特征点主方向 在实际计算过程中，在以特征点为中心的邻域窗在实际计算过程中，在以特征点为中心的邻域窗口内采样，并用梯度方向直方图统计邻域像素的梯口内采样，并用梯度方向直方图统计邻域像素的梯度方向。梯度直方图的范围是度方向。梯度直方图的范围是0一一360，其中每其中每10为为一柱，总共一柱，总共36柱。梯度方向直方图的峰值则代表了柱。梯度方向直方图的峰值则代表了该特征点处邻域梯度的主方向，即作为该特征点的该特征点处邻域梯度的主

20、方向，即作为该特征点的方向。一个关键点可能会被指定具有多个方向方向。一个关键点可能会被指定具有多个方向。第22页/共51页生成生成SIFTSIFT特征向量特征向量 通过以上步骤，已经得到了每个特征点的位置、尺度、通过以上步骤，已经得到了每个特征点的位置、尺度、方向。然后需要为每个特征点建立一个描述符，使其不随方向。然后需要为每个特征点建立一个描述符，使其不随各种变化而变化，比如光线变化、视角变化等。并且特征各种变化而变化，比如光线变化、视角变化等。并且特征点描述符要尽量与众不同，以便于特征点间的匹配。点描述符要尽量与众不同，以便于特征点间的匹配。第23页/共51页生成生成SIFTSIFT特征向

21、量特征向量高斯加权的范围（越靠近关键点的像素梯度方向信息贡献越大）。然后在每44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，如图右，一个关键点由22共4个种子点组成，每个种子点有8个方向向量信息。这种邻域方向性信息联合的思想增强了算法抗噪声的能力，同时对于含有定位误差的特征匹配也提供了较好的容错性。每一组梯度方向直方图占据的图像宽度hist_width=1.5*scl_octv 描述字计算所需要的图像宽度 radius=hist_width*sqrt(2)*(d+1.0)*0.5+0.5以关键点为中心取88的窗口。图5-4左部分的中央黑点为当前关键点的位

22、置，每个小格代表关键点邻域所在尺度空间的一个像素，箭头方向代表该像素的梯度方向，箭头长度代表梯度模值，图中蓝色的圈代表第24页/共51页生成生成SIFTSIFT特征向量特征向量 实际计算过程中，为了增强匹配的稳健性，实际计算过程中，为了增强匹配的稳健性，Lowe建议建议对每个关键点使用对每个关键点使用44共共16个种子点来描述。首先将坐标个种子点来描述。首先将坐标轴旋转为特征点的方向，以保证旋转不变性；轴旋转为特征点的方向，以保证旋转不变性；对任意一个对任意一个特征点，在其所在的尺度空间特征点，在其所在的尺度空间(即高斯金字塔结构的某一即高斯金字塔结构的某一层层)，取以特征点为中心的，取以特征

23、点为中心的16 16像素大小的邻域，再将像素大小的邻域，再将此邻域均匀地分为此邻域均匀地分为4 4个子区域个子区域(每个子区域大小为每个子区域大小为4像素像素4像素像素)，对每个子区域计算梯度方向直方图，对每个子区域计算梯度方向直方图(直方图均匀直方图均匀分为分为8个方向个方向)。然后，对。然后，对4 4个子区域的个子区域的8方向梯度直方方向梯度直方图根据位置依次排序，这样就构成了一个图根据位置依次排序，这样就构成了一个448=128维的维的向量，即为向量，即为SIFT特征向量，此时特征向量，此时SIFT特征向量已经去除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，再继续将特征了尺度变

24、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，则向量的长度归一化，则可可以进一步去除光照变化的影响。以进一步去除光照变化的影响。第25页/共51页SIFTSIFT特征向量特性特征向量特性SIFTSIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定；定；独特性好，信息量丰富，适用于在海量特征数据库中进行快速、独特性好，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。准确的匹配。多量性，即使少数的几个物体也

25、可以产生大量多量性，即使少数的几个物体也可以产生大量SIFTSIFT特征向量。特征向量。高速性，经优化的高速性，经优化的SIFTSIFT匹配算法甚至可以达到实时的要求。匹配算法甚至可以达到实时的要求。可扩展性，可以很方便的与其他形式的特征向量进行联合。可扩展性，可以很方便的与其他形式的特征向量进行联合。第26页/共51页IlluminationScaleRotationAffine第27页/共51页基于基于SIFTSIFT的图像匹配的图像匹配 当两幅图像的当两幅图像的SIFTSIFT特征向量生成后，下一步采用特征向量特征向量生成后，下一步采用特征向量的距离作为两幅图像中关键点的相似性判定度量。

26、有多种距的距离作为两幅图像中关键点的相似性判定度量。有多种距离可以衡量两个特征之间的差别，欧氏距离离可以衡量两个特征之间的差别，欧氏距离、HausdorffHausdorff距距离离等。等。用用KDKD树搜索算法树搜索算法搜索最近搜索最近邻点邻点，也可以用其他优化方，也可以用其他优化方法提高特征点的匹配效率，如法提高特征点的匹配效率，如BBF(Best Bin First)BBF(Best Bin First)搜索算搜索算法。然后，使用法。然后，使用RANSACRANSAC方法消除错匹配点对。最后，采用双方法消除错匹配点对。最后，采用双向匹配方法去除重复匹配点对，得到用于计算图像间变换的向匹配

27、方法去除重复匹配点对，得到用于计算图像间变换的同名特征点集。同名特征点集。第28页/共51页RANSACRANSAC算法去除外点算法去除外点 RANSAC算法的基本思想是：在进行参数估计时，不是不加区分地对待算法的基本思想是：在进行参数估计时，不是不加区分地对待所有可用的输人数据，而是迭代地在输入数据中采样所谓的最小点集，所有可用的输人数据，而是迭代地在输入数据中采样所谓的最小点集，根据每次采样所得到的最小点集估计出所要确定的模型参数，同时根据根据每次采样所得到的最小点集估计出所要确定的模型参数，同时根据一定的判断准则来判别输入数据中哪些是与该参数相一致的，即内点，一定的判断准则来判别输入数据

28、中哪些是与该参数相一致的，即内点，哪些是不一致的，即外点。如此迭代一定次数后，将对应输人数据中内哪些是不一致的，即外点。如此迭代一定次数后，将对应输人数据中内点比例最高的所估计参数值以及所筛选出来的内点作为点比例最高的所估计参数值以及所筛选出来的内点作为RANSAC最后解。最后解。将此解作为其他方法的初始值进一步优化计算，从而得到最终估计参数。将此解作为其他方法的初始值进一步优化计算，从而得到最终估计参数。RANSAC算法中有算法中有3个需要确定的参数：区分内点与外点的距离阈值个需要确定的参数：区分内点与外点的距离阈值t、随机采样的最大次数随机采样的最大次数N以及最小内点个数比例。以及最小内点

29、个数比例。RANSAC算法剔算法剔除除SIFTSIFT外点的流程如图：随机抽样一次性算法去除外点，随机选择外点的流程如图：随机抽样一次性算法去除外点，随机选择3 3个特征点个特征点进行圆线拟合，可降低匹配特征点共线的风险同时在一定程度上避免了进行圆线拟合，可降低匹配特征点共线的风险同时在一定程度上避免了内点过近，多次循环内点过近，多次循环R R算法，算法，第29页/共51页几点注意和通用做法几点注意和通用做法 v噪声对提取极值点的影响，通常噪声对提取极值点的影响，通常先对图像进行归一化处理，然后扩大图像为原来先对图像进行归一化处理，然后扩大图像为原来的两倍，预滤波剔除噪声，的两倍，预滤波剔除噪

30、声，然然后建立高斯后建立高斯差分金字塔尺度空间差分金字塔尺度空间；v特征点提取人工干预设定特征点提取人工干预设定阈值，阈值，阀值大则提出的特征多，但干扰点也多，且计算阀值大则提出的特征多，但干扰点也多，且计算复杂；阀值小则极值点复杂；阀值小则极值点数目会减少，但更加稳定数目会减少，但更加稳定；vSIFTSIFT算法算法在确定特征点主方向时采用梯度直方图统计法，算法简单但不科学，后在确定特征点主方向时采用梯度直方图统计法，算法简单但不科学，后广泛采用主成分变换；广泛采用主成分变换；v两幅影像间的相似性度量标准：欧式距离、两幅影像间的相似性度量标准：欧式距离、Hausdorff距离等；距离等；v原

31、始原始K-DK-D树搜索算法存在对高维度空间搜索效率降低的缺点，为提高匹配匹配效树搜索算法存在对高维度空间搜索效率降低的缺点，为提高匹配匹配效率，常采用优化搜索方法，如改进率，常采用优化搜索方法，如改进BBFBBF（近似的最近邻算法），通过限制（近似的最近邻算法），通过限制K-DK-D树中树中叶子结点数，对叶结点设一个最大数目从而可以缩短搜索时间；叶子结点数，对叶结点设一个最大数目从而可以缩短搜索时间；v匹配结束后，使用匹配结束后，使用RANSACRANSAC方法消除错匹配点对。方法消除错匹配点对。第30页/共51页SIFTSIFT算法存在算法存在的的缺点缺点在相同参数下，背景复杂的图像提取的

32、特征点多，而背景简单在相同参数下，背景复杂的图像提取的特征点多，而背景简单的图像提取的特征点少，即的图像提取的特征点少，即SIFTSIFT算法对纹理简单的图像特征提算法对纹理简单的图像特征提取效果不理想；取效果不理想；背景高度相似的图像，在特征匹配时可能出现错误匹配，即背景高度相似的图像，在特征匹配时可能出现错误匹配，即siftsift算法对背景存在高度相似性的图像匹配效果不令人满意；算法对背景存在高度相似性的图像匹配效果不令人满意；特征提取时，可能提取到位于运动目标上的特征点，其运动特征提取时，可能提取到位于运动目标上的特征点，其运动趋势与背景运动趋势有较大差异趋势与背景运动趋势有较大差异；

33、当背景某些区域纹理丰富而某些区域纹理简单时，提取的特当背景某些区域纹理丰富而某些区域纹理简单时，提取的特征很集中，特征点分布不均匀；征很集中，特征点分布不均匀；SIFTSIFT特征提取与匹配速度慢，无法达到实时处理的要求；特征提取与匹配速度慢，无法达到实时处理的要求；SIFTSIFT特征匹配采用欧式距离作为相似性测度，但该阈值需人特征匹配采用欧式距离作为相似性测度，但该阈值需人工干预，无法达到自适应要求。工干预，无法达到自适应要求。第31页/共51页 实验结果与分析实验结果与分析n实验实验资料：资料：两幅视角不同的自然场景图像，两幅视角不同的自然场景图像，n实实验验目目的的：提提取取不不变变尺

34、尺度度特特征征并并进进行行图图像像匹匹配配，然然后后对对原原始始图图像像进进行行旋旋转转变变化化、噪噪声声干干扰扰等等试试验验，考考察察SIFTSIFT特特征征的的旋旋转转不不变变性性和和抗抗噪噪性性能。能。第32页/共51页 实验结果与分析实验结果与分析 原始图像640*480561k第33页/共51页高斯金字塔高斯金字塔 第一层第34页/共51页高斯金字塔高斯金字塔 第二层第35页/共51页高斯金字塔高斯金字塔 第三层第36页/共51页高斯金字塔高斯金字塔 第四层第37页/共51页高高斯斯差差分分金金字字塔塔 第一层第38页/共51页高斯差分金字塔高斯差分金字塔 第二层第39页/共51页高

35、斯差分金字塔高斯差分金字塔 第三层 第四层第40页/共51页提取特征点提取特征点在每个尺度空间内提取极值点第41页/共51页提取特征点提取特征点第42页/共51页提取关键点提取关键点 提取的极值点 精确确定关键点第43页/共51页 图像配准实例图像配准实例 原始图像一 原始图像二第44页/共51页 实验结果与分析实验结果与分析第45页/共51页 实验结果与分析实验结果与分析 原始图像第46页/共51页 实验结果与分析实验结果与分析第47页/共51页 实验结果与分析实验结果与分析第48页/共51页 实验结果与分析实验结果与分析表表1 1旋转不变性测试结旋转不变性测试结果果旋转角度旋转角度特征数量

36、特征数量匹配特征匹配特征正确匹配正确匹配正确率正确率083083075375375199.8%579879872272271899.5%1080277676598.6%2077377371071069798.1%3076469768097.6%6075959056896.2%9078678673171798.1%第49页/共51页 实验结果与分析实验结果与分析表表2高斯高斯/椒盐噪声不变性测试结果椒盐噪声不变性测试结果高斯高斯/椒盐噪声强度椒盐噪声强度特征数量特征数量匹配特征匹配特征正确匹配特征正确匹配特征正确率正确率高斯高斯0.010.0163363361761761661699.8%99.

37、8%高斯高斯0.10.162062062862862562599.5%99.5%高斯高斯0.20.259859855255254954999.4%99.4%高斯高斯0.40.461261259959959459499.2%99.2%高斯高斯0.60.6585408408408408100.0%100.0%椒盐椒盐0.010.0147547534134134134199.9%99.9%椒盐椒盐0.10.1390390252252252252100.0%100.0%椒盐椒盐0.20.231731712012011811898.3%98.3%椒盐椒盐0.40.41431434545444497.8%97.8%椒盐椒盐0.50.5363618181818100.0%100.0%椒盐椒盐0.60.628288 85 562.5%62.5%第50页/共51页感谢您的观看。第51页/共51页