SIFT特征检测

最新推荐文章于 2024-08-22 13:00:00 发布

mai dong

最新推荐文章于 2024-08-22 13:00:00 发布

阅读量446

点赞数

分类专栏：计算机视觉

本文链接：https://blog.csdn.net/weixin_41889723/article/details/92193338

版权

计算机视觉专栏收录该内容

17 篇文章 0 订阅

订阅专栏

多分辨率金字塔：首先（非必须）使用低通滤波器平滑图像，然后对预处理后的图像进行降采样（通常是水平、竖直方向1/2）从而得到一系列尺寸缩小的图像，对于二维图像，在一个传统的金字塔中，每一层图像有上一层分辨率的长、宽各一半，也就是四分之一的像素组成。

高斯金字塔是在多分辨率金字塔的基础上加了高斯滤波，对金字塔每层图像用不同的高斯模糊参数进行高斯模糊。

高斯金字塔分成多组，每组又分成多层。降采样时，金字塔上边一组图像的第一张图像（最底层的一张）是由前一组（金字塔下面一组）图像的倒数第三张图像隔点采样得到。

DoG金字塔由相邻的高斯金字塔相减得到。

金字塔构造完毕后开始检测DoG局部极值点，将每一个像素点和与它同一尺度以及相邻尺度的所有（26个）邻域点相比较，最大的即为极值点。

极值比较过程中，为满足尺度变化的连续性，在每一组图像的顶层继续用高斯模糊生成了三幅图像，高斯金字塔每组有S+3层图像，DoG金字塔每组有S+2层图像。

得到原始图像的SIFT候选特征点集合后，还要从中筛选出稳定的点作为该图像最终的特征点，使用泰勒展开式对尺度空间DoG函数进行曲线拟合寻找极值点；将主曲率比值大于一定阈值的点看做是位于边缘方向上的点进行删除。

找到关键点后，为实现图像旋转不变性，为特征点方向进行赋值。关键点的方向利用其邻域像素的梯度分布特性来确定，再使用图像的梯度直方图求关键点局部结构的稳定方向。获得图像关键点的主方向之后（也有辅助方向），每个关键点都包含三个信息：位置、尺度和方向。由此可确定一个SIFT特征区域。

我们已经为找到的关键点即SIFT特征点赋了值，包括位置、尺度和方向信息，接下来便是用一组向量将这个关键点描述出来，这个描述子包括关键点及周围对其有贡献的像素点。描述子将被用来作为目标匹配的依据。特征描述大致包含三个步骤：校正旋转主方向、生成描述子，以及归一化处理。

特征描述子与关键点所在的尺度有关，因此对梯度的求取应在特征点对应的高斯图像上进行，对关键点周围的图像区域分块，求取每个像素的梯度幅值与梯度方向，然后用高斯窗口对其进行加权计算，最后在每个小块上绘制8个方向的梯度方向直方图，计算每个梯度方向的累加值，即可形成一个种子点。为增强匹配的稳健性，罗伊建议对每个关键点使用4*4共16个种子点来描述。