特征的可重复性:同一场景的不同图像所提取的特征应该是相同的
SIFT:
将一幅图像映射(变换)为一个局部特征向量集
特征向量具有平移,缩放,旋转不变性,同时对光照变化,仿射及投影变换也有一定不变性
实质:在不同尺度空间上查找特征点 (关键点)的问题。
步骤:特征点检测(构建尺度空间,特征点定位,特征点主方向确定),特征描述,特征匹配
主要思想是通过对原始图像进行 尺度变换,获得图像多尺度下的尺度空间表示序列,对这些序列进行 尺度空间主轮廓的提取,并以该主轮廓作为一种特征向量,实现边缘、 角点检测和不同分辨率上的特征提取。
尺度空间中各尺度图像的模糊程度逐渐变大,能够模拟人在距离目标 由近到远时目标在视网膜上的形成过程
构建高斯金字塔:对图像做高斯平滑,降采样
为了让尺度体现其 连续性,在简单下 采样的基础上加上 了高斯滤波
一个图像的尺度空间 L(x,y,σ) ,定义为原始图像 I(x,y)与一个可变尺度的2维高斯函数G(x,y,σ)卷积运算
高斯核是唯一可以产生多尺度空间的线性核,高斯卷积只是表现尺度空间的一种形式
高斯平滑:在减小图像尺寸的场合经常使用高斯模糊。在进行欠采样的时,通常在 采样之前对图像进行低通滤波处理。这样就可以保证在采样图像中不会出 现虚假的高频信息
上一组图像的底 层是由前一组图 像的倒数第二层 图像隔点采样生 成的。这样可以保持尺 度的连续性。
高斯(差分)金字塔 DOG,DOG图像描绘的是目标的轮廓。
可以通过高斯差分图像看出图像上的像素值变化情况。 特征是变化尽可能多的点。如果没有变化,也就没有特征。
特征点定位:关键点是由DOG空间的局部 极值点组成的
中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的 9×2个点共26个点比较,以确保在尺度空间和二维图像空间都 检测到极值点。
特征点精确定位:一个特征点是在三维尺度空间𝐷(𝑥, 𝑦, 𝜎)的局部极值点。但(𝑥, 𝑦)为整数像 素,𝜎为离散尺度,需要对DoG空间拟合进行特征点精确定位
利用Taylor展开式
去除不稳定特征点,包括对比度低的点、边缘点
尺度不变性:尺度空间求极值点 方向不变性:利用特征点邻域像素的梯度方向分布特性,指定主方向
梯度直方图,特征点主方向,辅方向确定
每个关键点有三个信息:位置、尺度、 方向,同时也就使关键点具备平移、缩放、和旋转不变性
特征描述:用一组向量将特征点描述出来
描述子不但包括特征点,也包括特征点周围对其有贡献的像素点。使特征点具有更多的不变特性
通过对特征点周围图像区域分块,计算块内梯度直方图,生成具有独 特性的向量,这个向量是该区域图像信息的一种抽象,具有唯一性
步骤:确定窗口,将坐标移至关键点主方向,计算区域内每个像素点梯度幅值(高斯平滑)和方向,将窗口划分为4 × 4个子区域,计算每个子区域梯度幅值直方图,得到一个向量构成描述子
特征匹配:可以在特征空间通过特征描述子之间的距离判断匹配程度
实时性不高,有时特征点较少,对边缘模糊的目标无法准确提取特征点