计算机视觉二 局部图像描述子 SIFT算法

目录

一.SIFT算法:

1.基本介绍：

SIFT算法可以解决的问题:

2.相关概念：

1.尺度空间理论：

2.高斯模糊：

3.高斯金字塔：

4.关键点检测——DOG：

 5.关键点方向分配 ：

 6.关键点描述：

 7.关键点匹配：

 二.STFL算法的实现：

1.SIFT特征检测测试代码：

2.SIFT特征检测运行结果：

 3.SIFT特征匹配测试代码：

 4.SIFT特征匹配运行结果：

①第一组测试结果：​ 

 ②第二组测试结果：

 ③第三组测试结果：

  5.匹配地理标记图像代码：

 6..匹配地理标记图像运行结果：

---

一.SIFT算法:

1.基本介绍：

        

        1999年 David G.Lowe 教授总结了基于特征不变技术的检测方法，在图像尺度空间基础上，提出了对图像缩放、旋转保持不变性的图像局部特征描述算子－SIFT（尺度不变特征变换），该算法在2004年完善。

        SIFT，即尺度不变特征变换（Scale-invariant feature transform，SIFT），是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、微视角改变的容忍度也相当高。

算法流程：

        SIFT算法实现特征匹配主要有三个流程， 1、提取关键点；2、对关键点附加详细的信息（局部特征），即描述符；3、通过特征点（附带上特征向量的关 键点）的两两比较找出相互匹配的若干对特征点，建立景物间的对应关系。

        SIFT中要查找的关键点是一些十分突出的点,不会因光照、尺度、旋转等因素的改变而消失，比如角点、边缘点、暗区域的亮点以及亮区域的暗点。假定两幅图像中有相同的景物，那么使用某种算法分别提取各自的特征点，这些点之间会有相互对应的匹配关系。

SIFT算法可以解决的问题:

（1）目标的旋转、缩放、平移；

（2）图像仿射或投影变换；

（3）弱光照影响以及部分目标遮挡；

（4）杂物场景以及噪声点影响。

2.相关概念：

在了解SIFT算法前，我们需要先了解以下概念：

1.尺度空间理论：

        尺度空间理论最早于1962年提出，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。

        关键点检测的相关概念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。 尺度越大图像越模糊。

2.高斯模糊：

        高斯模糊是在Adobe Photoshop等图像处理软件中广泛使用的处理效果，通常用它来减小图像噪声以及降低细节层次。这种模糊技术生成的图像的视觉效果是好像经过一个半透明的屏幕观察图像。

 

3.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。

 

<