1.SIFT:尺度不变特征变换
2.优点:检测到的特征是局部的,特征对图像平移旋转能够保持不变,对亮度变化具有鲁棒性,对噪声和视角微小变换也能保持一定稳定性。
3.SIFT可分为四个阶段
阶段1:尺度空间的极值检测:
1.像人眼一样,越远越模糊,越近越清楚。方法是利用高斯函数进行逐步模糊处理,从而产生尺度变换的假象。
2.二维高斯卷积函数为
其中就是尺度空间因子,他决定这图像模糊平滑程度。大尺度下大,对应低分辨率。应用时由一个小尺度图像转换到大尺度图像(g与图像卷积),。
SIFT在使用时,使用了DOG(高斯差分)构建了尺度空间
即:
即增加尺度空间到原来的k倍进行分别高斯卷积模糊,最后相减,表示尺度变换。
构建高斯金字塔
//******************************************************************************************************************************
如图,这个高斯金字塔有5组(octave),每个Octave内又包含若干层。所以我们定义第一个参数 ,O 表示高斯金字塔的组数。 σ 我们称为尺度参数,第一组第一层的尺度参数为 σ ,且Lowe认为最优的 σ=1.6 且组间尺度关系倍数为2,表示下一组图像是由上一组图像按照隔点降采样得到的,即图像的长宽分别减半。如第二组的尺度参数是第一组尺度参数的俩倍)。但组内尺度参数是不同的,且有比例关系 ,这个关系适用于高斯金字塔的所有层。 k 称为比例系数,作者给出 ,lown建议s=3,金字塔每个Octave为S=s+3,即一般为6。
在同一组内,不同层图像的尺寸是一样的,后一层图像的高斯平滑因子σ是前一层图像平滑因子的k倍;
在不同组内,后一组第一个图像是前一组倒数第三个图像的二分之一采样,图像大小是前一组的一半;
为了保证尺度变化的连续性,第2组第1层的尺度等于第1组倒数第3层的尺度
lown建议创建尺度空间前首先将图像长宽扩大为已被,这就形成了金字塔-1组
原文:https://blog.csdn.net/shiyongraow/article/details/78238764
*****************************************************************************************************************************//
、http://www.cnblogs.com/sonicmlj/p/7648068.html