SIFT尺度不变特征变换

SIFT是一种图像局部描述子,

它的优点:①具有非常强的稳健性。

②对尺度、旋转、亮度都具有不变性。

③可用于三维视角和噪声的可靠匹配。

SIFT的组成:兴趣点检测+描述子 (可看做豪华版的harris+描述子)

SIFT的三步骤:

A. 关键位置定位找到“兴趣点”

B.特征提取,用以描述“兴趣点”

C.模型和图像中的特征向量匹配

在这里插入图片描述

B.描述子:(是对图像区域内容的一种简洁的表达形式):为了实现旋转不变性,SIFT描述子引入参考方向(用主方向描述),而主方向又使用直方图来描述。

描述子:是一个可靠的特征向量,可以用来描述兴趣点的领域特性。

创造描述子需要考虑:局部的边缘方向和局部的边缘强度。

寻找描述子的步骤:①在每个像素点附近选取子区域网格

              ②在每个子区域内计算图像梯度的方向直方图

              ③每个子区域的直方图拼接起来组成描述子向量

一般子区域网格选取为4x4大小,每个子区域内有8个方向直方图,则描述子向量一共有4x4x8=128维向量。

将128维特征向量①标准化可以去掉对比度变化的影响②值非常大的元素忽略掉,将剩下的向量重新标准化,用以去掉光照的影响。

C.特征向量匹配:

经历过寻找兴趣点以及创建描述子后,图像由一系列128维向量组成。为了寻找到特定的部分,使用同样由128维向量组成的测试图片。

对于每一个测试向量,都可以在样本集中寻找到它的最近邻。但是最近邻计算量太大,因此找到更优的算法—KD树。

K-D树改进算法:任何假定的匹配都给定了模型一个候选的位置、尺度和方向。

使用类霍夫的投票机制对候选位置进行确认。每个匹配提供一个模型点(x,y)和(u,v)。因为在许多真实的环境下,认为图像给出一个大致的仿射变化模型是合理的,因此:
在这里插入图片描述

补充:

HOG(histogram of Oriented Gradients)方向梯度直方图:

是由一系列用空间增益区域计算而来的标准化直方图所构成,结果将得到一个能对粗的空间结构进行捕捉的描述子。

(但是该描述子对较小的局部形变具有不变性。)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值