SIFT算法以及RANSAC算法中的数据归一化研究

1.什么是数据归一化？

归一化是一种无量纲处理手段，使物理系统数值的绝对值变成某种相对值关系。简化计算，缩小量值的有效办法。

2.数据归一化的必要性

在RANSAC算法中，计算2D homography过程中，需要依赖图像的坐标系，那么图像的相似变换T就不能够保证不变性，归一化的方法能够消除坐标系的影响

3.数据归一化的好处

RANSAC中：能够保证即便是不同坐标系的两幅图像也能够有着相同的平均梯度

4.数据归一化如何实现？

1)原理：

①将点转换到重心，使得重心作为起点；

②将点进行尺度变换，使得点到重心的距离为原来的根号2

2)实现：

①RANSAC算法中的实现：

本文中的RANSAC算法的实现来自于http://download.csdn.net/detail/beigua321/2843908

如果您有需要可以从此地址下载。

//
// function : DataNormalization
// usage : DataNormalization(numOfx, x, T);
// ------------------------------------------------------
// This function normalizes x and returns the similarity
// transform, T.
// The centroid of x will be transformed into (0,0).
// The average distance of normalized x will be sqrt(2).根号2
// 数据归一化
void DataNormalization(int numOfPositions, float positions[][2], CvMat *T)
{
	int i;
	float sumI = 0, sumJ = 0, meanI = 0, meanJ = 0;
	float squareDist = 0, sumDist = 0, meanDist = 0;
	float scale = 0;
	float x, y, xx, yy, ww;
	// calculate the centroid
	//计算重心
	for(i = 0; i < numOfPositions; i++){
		sumI += positions[i][0];
		sumJ += positions[i][1];
	}
	meanI = sumI / numOfPositions;//重心点y坐标
	meanJ = sumJ / numOfPositions;//重心点x坐标
	// calculate the mean distance
	//计算平均距离
	//通过对每一个点到重心的距离求和然后求出平均距离
	for(i = 0; i < numOfPositions; i++){
		squareDist = pow(positions[i][0] - meanI, 2)
			+ pow(positions[i][1] - meanJ, 2);
		sumDist += pow((double)squareDist, 0.5);
	}
	meanDist = sumDist / numOfPositions;
	// set the similarity transform
	//计算相似变换，1/平均距离=尺度
	scale = pow(1, 0.5) / meanDist;
	float t[9] = {scale, 0, -scale * meanI,
		0, scale, -scale * meanJ,
		0, 0, 1};
	Array2CvMat(t, T, 3, 3);
	// data normalization
	//数据归一化，通过计算
	for(i = 0; i < numOfPositions; i++){
		x = positions[i][0];
		y = positions[i][1];
		xx = t[0] * x + t[1] * y + t[2];
		yy = t[3] * x + t[4] * y + t[5];
		ww = t[6] * x + t[7] * y + t[8];
		xx = xx / ww;
		yy = yy / ww;
		positions[i][0] = xx;
		positions[i][1] = yy;
	}
}

上述代码中，在计算相似变换时，实际的实现并没有使得点到重心的距离为原来的根号2，而是为1，我不知道是为什么

另外，在数据归一化计算的时候，其计算步骤也不是很明白，在参看了Rob Hess实现SIFT算法中的归一化特征描述子部分也发现了同样的问题，即，实际的实现并没有使得点到重心的距离为原来的根号2，而是为1

②SIFT算法中特征描述子的归一化

/*
归一化特征的描述子
Normalizes a feature's descriptor vector to unitl length

@param feat feature
*/
static void normalize_descr( struct feature* feat )
{
	double cur, len_inv, len_sq = 0.0;
	int i, d = feat->d;//为描述子长度128维
	

	//如何进行归一化特征描述子来降低对光照的影响
	//主要就是将每一个特征的平方求和，然后开方，然后去其倒数，然后乘以每一个特征描述子的梯度值，这样就得到了归一化的特征描述子
	for( i = 0; i < d; i++ )
	{
		cur = feat->descr[i];
		len_sq += cur*cur;
	}
	//尺度
	len_inv = 1.0 / sqrt( len_sq );
	//将每一个描述子乘以尺度即可归一化
	for( i = 0; i < d; i++ )
		feat->descr[i] *= len_inv;
}

上述代码中的尺度计算和RANSAC的尺度计算是一样的，这的确是个问题，希望知道的人能够解答。

关于具体的代码解释，这里在代码中给出了详尽的注释。

关于数据归一化的详细介绍可以参看：Multiple View Geometry in Computer Vision Senond Edition  Richard Hartley / Andrew Zisserman Cambridge University Press