⛄一、SIFT配准简介
1 图像配准
SIFT是David Lowe于1999年提出的局部特征描述子。SIFT算法是一种提取局部特征的算法,也是一种模式识别技术,其基本思想是在尺度空间寻找极值点,提取位置、尺度、旋转不变量。它主要包括两个阶段,一个是SIFT特征的生成,即从多幅图像中提取对尺度缩放、旋转、亮度变化无关的特征向量;第二阶段是SIFT特征向量的匹配。SIFT算法的主要特点:
- SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化、视角变化、仿射变换、噪声都保持一定程度的稳定性。
- 独特性好,信息量丰富,适用于在海量特征数据库中进行快速、准确的匹配。
- 多量性,即使少数的几个物体也可以产生大量SIFT特征向量。
- 高速性,经优化的SIFT匹配算法甚至可以达到实时的要求。
- 可扩展性,可以很方便地与其他形式的特征向量进行联合。
1.1 SIFT算法实现
-
特征点检测
实际图像中的特征角点常发生在不同的尺度范围上,并且每一角点的尺度信息是未知的。一般认为在较大尺度下能较可靠地消除误检和检测到真正的角点,但角点的定位不易准确。相反,在较小尺度下对真正的特征角点的定位比较准确,但误检的比例会增加。所以,可考虑先在较大尺度下检测出角点,然后在较小尺度下对真正特征角点进行较精确定位。因此,本文利用多尺度技术检测角点。 -
特征点描述(即建立特征向量)
每个关键点设定三个信息:位置、尺度、方向。在以特征点为中心的邻域窗口内采样,并用梯度方向直方图来统计邻域像素的梯度方向。在实际计算过程中,为了增强匹配的稳健性,Lowe建议对每个关键点使用4×4共16个种子点来描述,这样对于一个关键点就可以产生1