opencv-SIFT

图像尺度空间-SIFT

1.尺度空间的获取通常使用高斯模糊来实现

$$L(x,y,\sigma )=G(x,y,\sigma )\ast I(x,y)$$

$$G(x,y,\sigma )=\frac{1}{2\pi {\sigma }^2}{e}^{\frac{x^2+y^2}{2{\sigma }^2}}$$

不同sigma的高斯函数决定了对图像的平滑程度，越大的sigma值对应的图像越模糊。

2.多分辨率金字塔

3.高斯差分金字塔(DOG)

$$D(x,y,\sigma )=[G(x,y,k\sigma )\ast I(x,y)-G(x,y,\sigma )\ast I(x,y)]=L(x,y,k\sigma )-L(x,y,\sigma )$$

4.DoG空间极值检测

为了寻找尺度空间的极值点，每个像素点要和其图像域(同一尺度空间)和尺度域(相邻的尺度空间)的所有相邻点进行比较，当其大于(或者小于)所有相邻点时，该点就是极值点。

5.关键点的精确定位

候选关键点是DOG空间的局部极值点，而且这些极值点均为离散的点，精确定位的一种方法是，对尺度空间DoG函数进行曲线拟合，计算其极值点。

6.消除边界响应

Hessian矩阵。$$令\alpha =\lambda max为最大的特征值，\beta =\lambda min为最小的特征值$$
论文中的 $$\gamma =10$$ 假设 $$\frac{\alpha }{\beta }>10的特征点将被删除$$

7.特征点的主方向

$$每个点L(x,y)的梯度的模m(x,y)以及方向\theta (x,y)$$

$$m(x,y)=\sqrt{[L(x+1,y)-L(x-1,y){]}^2+L(x,y+1)-L(x,y-1){]}^2}$$

$$\theta (x,y)=arctan\frac{L(x,y+1)-L(x,y-1)}{L(x+1,y)-L(x-1,y)}$$

每个特征点可以得到三个信息$$(x,y,\sigma ,\theta )$$ 即位置、尺度和方向。具有多个方向的关键点可以被复制成多份，然后将方向值分别赋给复制后的特征点，一个特征点就产生了多个坐标、尺度相等，但是方向不同的特征点。

8.生成特征描述

在完成关键点的梯度计算后，使用直方图统计领域内像素的梯度和方向

为了保证特征矢量的旋转不变性，要以特征点为中心，在附近领域内将坐标轴旋转theta角度，即将坐标轴旋转为特征的主方向

旋转之后的主方向为中心取8x8的窗口，求每个像素的梯度幅值和方向。箭头方向代表梯度方向，长度代表梯度幅值，然后利用高斯窗口对其进行加权运算，最后在每个4x4的小块上绘制8个方向的梯度直方图，计算每个梯度方向的累加值，即可形成一个种子点，即每个特征由4个种子点组成，每个种子点有8个方向的向量信息。