在检测到特征(如关键点)之后,下一步我们必须匹配他们,也就是说,我们必须要确定哪些特征来自于不同图像的对应位置.
图像描述子可以表示特征点的局部表观,以用来下一步做匹配,然而在不同图像之间,图像块的局部表观常常会因图像不同而变化,这就要求我们怎样才能使图像描述子使得对应的图像快之间对这些变化具有更好的不变性,同时保持不同(即非对应的)的图像块之间的区分性.
几个描述子(简):
尺度不变特征变换(SHIFT):
sift算法的主要思想:他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、选择不变量.
特点:1)是图像的局部特征,其对选择、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定性。
2)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、准确地匹配。
3)即使少数的几个物体也可以产生大量SIFT特征向量。 经过优化的SIFT匹配算法甚至可以达到实时的要求。
4)可以很方便的与其它形式的特征向量进行联合。
算法步骤:检测尺度空间极值点 -〉 精确定位极值点 -〉为每个关键点指定方向参数-〉关键点描述子的生成。
上述步骤最后会得到一个128维的非负值形成的原始版本的SIFT,描述子向量。
更详细的参考:RachelZhang:http://blog.csdn.net/abcjennifer/article/details/7639681