SIFT学习--构建尺度空间

现实世界的对象只会在某些尺度上有意义。比如面前一棵树,如果在大的尺度上,树是有意义的,从另一个角度来说,树叶的信息被抛弃了。尺度空间就是从数字图像的角度模拟这些概念。

如果要去除一些详细的信息,你必须确保你没有引入新的错误的细节,一个较好的做法是运用高斯核来进行模糊处理。

所以要创建一个尺度空间,你必须拿到原始图像并且逐渐产生模糊处理后的图像。

下面是一个例子:


可以看到猫的头盔失去了细节信息。

1. SIFT中的尺度空间

SIFT将尺度空间带入下一个的等级,你拿到原始图像,持续产生模糊图像,然后你将原始图像尺度缩小一半,再次产生模糊图像,持续如此。

我们看SIFT中会有什么效果:


统一大小的图像(纵向)属于一个octave,上面有4个octave,每一个octave有5幅图像。每幅图都是在增长的尺度(模糊的规模)上建立的。

2. 技术细节

Octaves和尺度

Octave和尺度的数量取决于原始图像的大小,SIFT的创造者建议4个Octave和5个模糊等级是理想的。

第一个Octave

如果原始图片的大小是2的幂并且质量较高能让算法产生更多的关键点。

模糊处理

高斯模糊:


含义:

²  L 模糊处理过的图片

²  G 高斯模糊算子

²  I 图片

²  x,y坐标

²  σ 是尺度参数,可以看做是模糊处理规模的大小,值越大,模糊的越多。

²  * x,y上的卷积操作。




阅读更多
文章标签: 算法
个人分类: 图像处理
上一篇SIFT算法学习
下一篇SIFT学习--近似LoG
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

关闭
关闭