基于图像配准的图像特征检测之sift算法----sift算法总结

身为菜鸟的我，花了将近3个月的时间把sift算法吃透并自己把算法实现啦，实在是耗时耗力呀，为了对得起我这段时间的努力，决定把自己对sift算法的理解和大家分享一下，有什么错误望各位大神指教，小妹在此献丑啦。

一     概念

sift---Scale Invariant Feature Transform,尺度不变特征匹配变换算法。sift特征对旋转、尺度缩放、亮度变化等具有不变性，是非常稳定的局部特征。

二    主要思路

构造图像尺度空间表示-----尺度空间中搜索图像的极值点----由极值点建立特征描述向量-----用特征描述向量进行相似度匹配。

1、详细讲解

（1）   构建LOG图像

这里有两个概念需要区分清楚：金字塔多分辨率、图像的多尺度空间。

多尺度空间表示由不同的高斯核平滑卷积得到（即此步骤所做之事），在所有尺度上具有相同的分辨率。而金字塔多分辨率表示每层分辨率减少固定比例。

图像尺度空间的形成是通过将图像与具有可变核的高斯滤波器进行卷积， 从而得到图像的高斯金字塔 LoG。高斯卷积核是实现尺度变换的唯一线性变换核，一幅图像在尺度空间中可表示为图像和可变高斯核函数的卷积，采用高斯金字塔（Laplacian of Gaussian，LoG ）算子表示如下：

L(x, y,σ ) = G(x, y,σ ) ⊗ I(x, y)

 

其中， I(x,y) 为输入的二维图像， 为可变高斯核函数， σ 为可变核。

David指出，高斯金字塔 LoG 共分为O 组，每组 S +3 层， S 为σ 与 2σ 之间的层数， S 一般取 2 或 3。在这里我们构建5层多尺度空间，即S=2。

高斯金字塔组数一般为：

O=[log₂min(m,n)]-3

m,n分别表示图像的行和列。

高斯模糊参数σ，计算公式如下：

σ（o，s）=σ₀*2^(o+s)/S

其中，σ₀为初始尺度因子，S为每组层数，s为每组内具体哪一组。在罗伊的算法实现中，以上参数的取值为：σ₀=1.6*2^1/S，相邻组间尺度关系：σ_o+1=2σ_o

总结：相邻两组的同一层尺度为2倍的关系。相邻层之间为k倍的关系。k=2^1/S,S为每组的的层数。在我们的程序中S为2。

构建步骤：

1）先将采集到的图扩大为原图的两倍，称为I。

2）对I进行高斯滤波，形成不同尺度下（即σ不同）的5（S +3）张（层）高斯模糊图像，这称为金字塔的第1组图像。如下图所示：

σ大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征。大的σ值对应粗糙尺度(低分辨率)，反之，对应精细尺度(高分辨率)。

3）第2组图像的第一层由第1组的倒数第3层图像降采样（尺寸缩小一半，即水平、竖直方向1/2）得到，然后重复2）得到第2组图像，同理可得到其他组图像。

 

经过模糊与降采样，最终得到图像：

（2）   构建DoG图像

DoG--Difference of Gaussian，差分金字塔。DoG算子定义为两个不同尺度的高斯核的差分，它是归一化高斯拉普拉斯（LoG）算子的近似。很多资料都有