本博文下载地址:http://pan.baidu.com/s/1geTrV5D
SIFT特征提取算法流程:
1、 输入图像
2、 多尺度空间极值点检测
3、 关键点的精确定位
4、 关键点的主方向计算
6、 特征向量
2、多尺度空间极值点检测
尺度空间:目的是检测在尺度变化时仍然稳定的特征;
图像I(x,y)的尺度空间定义:L(x,y,σ)=G(x,y,σ)*I(x,y)
尺度参数σ,当σ 连续变化,G(x,y,σ)构成图像的尺度空间。
高斯差分尺度空间:为了在尺度空间中检测稳定的关键点,构造高斯差分尺度空间
D(x,y,σ)=[ G(x,y,kσ) - G(x,y,σ) ]* I(x,y) = L(x,y,kσ)- L(x,y,σ)
几个理由:
1) 计算效率高:高斯卷积,减法
2) 高斯差分是对尺度归一化LoG的一个很好的近似, 而尺度归一化的LoG空间具有真正的尺度不变性。
3) 实验比较表明,从尺度归一化LoG空间中提取的图像特征的尺度稳定性最好,优于梯度、Hessian或Harris角点函数。DoG算子是尺度归一化的LoG算子的近似,因此计算比较简单。
(2)将每一组尺度空间中的相邻高斯尺度函数相减,生成高斯差分金字塔:建立成了3维尺度空间形式。
(3)极值点检测:在三维尺度空间中,搜索每个点的26邻域,若该点为局部极值点则保存为候选关键点。