关于SIFT（Scale Independent Feature Transfor)的学习笔记

【时间】2018.11.06

【题目】关于SIFT（Scale Independent Feature Transfor)的学习笔记

一、SIFT（Scale Independent Feature Transfor)

      通过博文https://blog.csdn.net/weixin_38404120/article/details/73740612 了解了SIFT特征匹配算法，知道了图像尺度空间、尺度空间表达——高斯卷积、金字塔多分辨率表达——降采样、LOG（Laplassian of Gaussian）、DOG（Difference of Gaussian）等概念。

1.1图像尺度空间

   平时生活中，用人眼去看一张照片时，随着观测距离的增加，图像会逐渐变得模糊。那么计算机在“看”一张照片时，会从不同的“尺度”去观测照片，尺度越大，图像越模糊。 所有不同尺度下的图像，构成单个原始图像的尺度空间。“图像尺度空间表达”就是图像在所有尺度下的描述。

1.2.“尺度空间表达”与“金字塔多分辨率表达”

1）尺度空间表达——高斯卷积

高斯核是唯一可以产生多尺度空间的核。 左图是二维高斯函数在数学坐标系下的图像。 右图是高斯函数对应的高斯核。

  

2）金字塔多分辨率表达——降采样

所谓图像金字塔化：就是先进行图像平滑，再进行降采样，根据降采样率不同，所得到一系列尺寸逐渐减小的图像。

两种表达的不同之处在于：

    “尺度空间表达”在所有尺度上具有相同分辨率，而“图像金字塔化”在每层的表达上分辨率都会减少固定比率。

    “图像金字塔化”处理速度快，占用存储空间小，而“尺度空间表达”刚好相反。

 

1.3.LOG（Laplassian of Gaussian）

     将前面提到的“尺度空间表达”与“图像金字塔化”融合起来的话，就得到了LOG图像，高斯拉普拉斯变换图像。其步骤是：先将照片降采样，得到了不同分辨率下的图像金字塔。再对每层图像进行高斯卷积。这样一来，原本的图像金字塔每层只有一张图像，而卷积后，每层又增加了多张不同模糊程度下的照片。

4.DOG（Difference of Gaussian）

为了更好地获取特征点，所以还需要对LOG图像再进一步地优化，得到了DoG。DOG即高斯差分。

构造高斯差分图像的步骤是：在获得LOG图像后，用其相邻的图像进行相减，得到所有图像重新构造的金字塔就是DOG金字塔。下面左图是LOG图像，右图是DOG图像。

、

1.5.DOG局部极值点（定位关键点）

寻找极值点

当得到DOG金字塔后，我们接下来要做的是寻找DOG极值点。每个像素点与其周围的像素点比较，当其大于或者小于所有相邻点时，即为极值点。

比如说，如下图所示，以黄点为检测点，那么其周围的点，除了同层所包围的8个绿点外，还有上一层的9个点与下一层的9个点。

1.6 关键点方向赋值

1.7.关键点描述

在每子区域内计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，形成一个种子点。与求特征点主方向时有所不同，此时，每个子区域的梯度方向直方图将0°~360°划分为8个方向范围，每个范围为45°，这样，每个种子点共有8个方向的梯度强度信息。由于存在4X4（Bp X Bp）个子区域，所以，共有4X4X8=128个数据，最终形成128维的SIFT特征矢量.

1.8.代码实现--在opencv中使用特征点检测器

使用python以及opencv实现关键点检测器详见 https://blog.csdn.net/zhangziju/article/details/79754652