计算机视觉——sift描述子

最新推荐文章于 2022-10-27 20:54:30 发布

VIP文章 XYYHHH11

最新推荐文章于 2022-10-27 20:54:30 发布

阅读量2.6k

点赞数 8

本文链接：https://blog.csdn.net/XYYHHH11/article/details/104635373

版权

sift描述子

文章目录

sift描述子

1、实验需求

（1）针对自己所处的环境，拍摄多张图片（注意要来自不同场景），构造出一个小的数据集（15张以上）
（2）实现数据集中，每张图片的SIFT特征提取，并展示特征点
（3）给定两张图片，计算其SIFT特征匹配结果
（4）给定一张输入的图片，在数据集内部进行检索，输出与其匹配最多的三张图片

2、语言和平台

语言：python2.7.13 （anaconda2）
平台：pycharm 2018.2

3、算法简介

近年来，提高特征描述点检测与描述有了很大的发展，下面我们会看这其中最好的算法之一——SIFT。
SIFT算法可以解决的问题
• 目标的旋转、缩放、平移（RST）
• 图像仿射/投影变换（视点viewpoint）
• 弱光照影响（illumination）
• 部分目标遮挡（occlusion）
• 杂物场景（clutter）
• 噪声

4、算法原理

1.检测尺度空间极值
其主要思想是通过对原始图像进行尺度变换，获得图像多尺度下的空间表示。从而实现边缘、角点检测和不同分辨率上的特征提取，以满足特征点的尺度不变性。尺度空间中各尺度图像的模糊程度逐渐变大，能够模拟人在距离目标由近到远时目标在视网膜上的形成过程。一个图像的尺度空间，L(x, y, σ) ,定义为原始图像 I(x, y)与一个可变尺度的2 维高斯函数G(x, y, σ) 卷积运算。

$G(x_i,y_i,σ)=\frac {1} {2πσ^2}exp(-\frac {(x-x_i)^2+(y-y_i)^2} {2σ^2})$

$L (x, y, σ) = G (x, y, σ) * I (x, y)$

2.高斯金字塔
高斯金字塔的构建过程可分为两步：
（1）对图像做高斯平滑；
（2）对图像做降采样。
为了让尺度体现其连续性，在简单下采样的基础上加上了高斯滤波。一幅图像可以产生几组（octave）图像，一组图像包括几层（interval）图像。
在这里插入图片描述
高斯图像金字塔共o组、s层，
则有： $σ(s)=σ_02^\frac {s} {S}$
σ:尺度空间坐标；
s:sub-level层坐标；
$σ_0$ :初始尺度；
S:每组层数（一般为3~5）
最后可将组内和组间尺度归为： $2^{i-1}(σ,kσ,k^2σ,...,k^{n-1}σ)$
i:金字塔组数
n:每一组的层数

3.关键点检测DoG
$L (x, y, σ) = G (x, y, σ) * I (x, y)$
$D (x, y, σ) = [G (x, y, k σ) - G (x, y, σ)] * I (x, y)$
$= L (x, y, k σ) - L (x, y, σ)$
DoG在计算上只需相邻高斯平滑后图像相减，因此简化了计算！
对应DOG算子，需构建DOG金字塔可以通过高斯差分图像看出图像上的像素值变化情况。（如果没有变化，也就没有特征。特征必须是变化尽可能多的点。） DOG图像描绘的是目标的轮廓。
在这里插入图片描述
4.DOG局部极值检测
DoG的局部极值点
特征点是由DOG空间的局部极值点组成的。为了寻找DoG函数的极值点，每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。
在这里插入图片描述
去除边缘响应
由于DoG函数在图像边缘有较强的边缘响应，因此需要排除边缘响应。 DoG函数的峰值点在边缘方向有较大的主曲率，而在垂直边缘的方向有较小的主曲率。主曲率可以通过计算在该点位置尺度的2×2的Hessian矩阵得到，导数由采样点相邻差来估计：
$\begin{bmatrix} D_{xx} & D_{xy} \\ D_{xy} & D_{yy} \\ \end{bmatrix}$
Dxx 表示DOG金字塔中某一尺度的图像x方向求导两次。
D的主曲率和H的特征值成正比。令 α ，β为特征值，则
$\frac {Tr(H)^2} {det(H)}=\frac {(α+β)^2} {αβ}$
$d e t (H) = α β$