SIFT与SURF算法

SIFT与SURF算法

1. SIFT与SURF的特征

SIFT即尺度不变特征变换，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算法的优点是特征稳定，对旋转、尺度变换、亮度保持不变性，对视角变换、噪声也有一定程度的稳定性；缺点是实时性不高，并且对于边缘光滑目标的特征点提取能力较弱。

Surf（Speeded Up Robust Features）改进了特征的提取和描述方式，用一种更为高效的方式完成特征的提取和描述。

2. SIFT算法实现流程

2.1 关键点

2.1.1 提取关键点

关键点是一些十分突出的不会因光照、尺度、旋转等因素而消失的点，比如角点、边缘点、暗区域的亮点以及亮区域的暗点。此步骤是搜索所有尺度空间上的图像位置。通过高斯微分函数来识别潜在的具有尺度和旋转不变的兴趣点。（使用差分高斯(DoG)函数较多）

2.1.2 定位关键点并确立关键点

然后，对关键点进行定位和滤波。
在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。然后基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。

2.1.3 特征点描述

局部图像梯度在选定的尺度上，在一个关键点的邻域内进行测量。通过原图和特征图的各个关键点的特征向量，进行两两比较匹配程度，建立对应关系。在每个特征点周围的邻域内，在选定的尺度上测量图像的局部梯度，这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变换。

2.2 构建尺度空间

尺度空间作为机器处理图像时常用的处理方法，其实就是考虑到图像目标的大小对机器的识别影响。对小目标，采用局部特征观察；对于大目标，模糊细节处理。为了能让不同初度图片的目标能统一让机器识别出，就需要在目标上找到一个统一标准让机器熟知。

SIFT算法在构建尺度空间时候采取高斯核函数进行滤波，使原始图像保存最多的细节特征，经过高斯滤波后细节特征逐渐减少来模拟大尺度情况下的特征表示。

2.2.1 差分金字塔的构建

要说差分（DOG）金字塔就得先了解高斯金字塔的搭建。高斯金字塔的搭建过程分为两步：

1. 对图像做平滑处理（加高斯滤波模糊处理）
2. 对图像做降采样
   降采样过程就是金字塔的搭建过程。具体的可以移步：