图像特征点提取及描述子汇总：FIST、SURF、FAST、BRIEF、ORB、BRISK、FREAK

最新推荐文章于 2024-10-09 16:41:16 发布

该-昵称已被占用

最新推荐文章于 2024-10-09 16:41:16 发布

阅读量1w

点赞数 2

文章标签：特征提取特征描述子

本文链接：https://blog.csdn.net/u011091739/article/details/53409264

版权

SIFT特征提取及描述子

1 特征提取

1.1 构建尺度空间

1.2 选取特征点

一个点如果在DOG尺度空间本层以及上下两层的26个领域中是最大或最小值时，就认为该点是图像在该尺度下的一个特征点

1.3 去除不好的特征点

2 特征描述子

用直方图统计特征点领域内的像素梯度方向，取直方图bin值最大的以及超过最大bin值80%的那些方向做为特征点的主方向。论文中是45°为一个柱状图，并且使用了高斯函数平滑曲线。

再将特征点领域内的图像旋转，使特征方向与X轴方向平行，保证旋转不变性。选取特征点周围16*16区域，划分为4*4=16块，求取每一块在8个方向上的梯度，这样就得到了4*4*8=128维的SIFT描述子。

3 描述子特点

对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。

旋转不变性：取描述子的时候讲特征点周围旋转到了X轴方向；

尺寸无关性：构建尺度空间的时候，构建了不同尺度缩放下的图片，在求取特征点的时候，在多种尺度空间下进行了检测；

亮度变化抗性：将描述子中各个维度的归一化，可以减小亮度变化的影响。

SURF特征提取及描述子

SURF与SIFT有很多相似的地方：建立金字塔形的尺度空间、通过层间差异寻找特征点、特征描述子基于特征点邻域内的梯度。

1 特征提取

（参考http://blog.csdn.net/chlele0105/article/details/12955359）

1.1 构件尺度空间

Sift采用的是DOG图像，而surf采用的是Hessian矩阵行列式近似值图像。Hessian矩阵构造前，需要对其进行高斯滤波，以达到尺寸无关性。使用积分图像计算每个点的Hessian矩阵，节省了大量时间。

在surf中，图片的大小是一直不变的，不同的octave层得到的待检测图片是改变高斯模糊尺寸大小得到的，同一个octave中的图片用到的高斯模板尺度也不同。Surf采用这种方法节省了降采样过程，其处理速度自然也就提上去了。

1.2 初选特征点

类似SIFT特征提取：一个点如果在尺度空间本层以及上下两层的26个领域中是最大或最小值时，就认为该点是图像在该尺度下的一个特征点。

1.3 排除特征不明显点

和sift算法中的类似，采用3维线性插值法得到亚像素级的特征点，同时也去掉那些值小于一定阈值的点。

2 特征描述子

2.1 确定特征点方向

选取特征点邻域，如特征点周围半径6s圆形区域（s为特征点所在层的尺寸度量），计算60°扇形在水平方向和竖直方向的haar小波特征，在以一定角度转动扇形，最终选择最大值的方向作为特征点方向。

2.2 特征描述子

确定特征点方向之后先选择图像。在特征点周围选取边长为20s的正方形，然后把该框分为16个子区域，每个子区域统计25个像素的水平方向和垂直方向的haar小波特征，这里的水平和垂直方向都是相对主方向而言的。该haar小波特征为水平方向值之和，水平方向绝对值之和，垂直方向之和，垂直方向绝对值之和。一共有4*4*4=64维特征描述子。