利用SIFT算法，如何实现大尺度影像算法数据的匹配？

来源：蜘蛛抓取(WebSpider) 时间：2019-06-09 13:57 标签： 影像算法

SIFT算法的扩展与改进 Scale Invariant Feature Trans SIFT l 传统的特征提取方法传统的特征提取方法 ? 成像匹配的核心问题是将同一目标在成像匹配的核心问题是将同一目标在不同时间不同时间、、不同不同 分辨率分辨率、、不同光照不同光照、、不同位姿不同位姿情况下所成的像相对应情况下所成的像相对应。 传统的匹配算法往往是直接提取角点或边缘对环境的传统的匹配算法往往是直接提取角点或边缘，对环境的 适应能力较差急需提出一种鲁棒性强、能够适应不同适應能力较差，急需提出一种鲁棒性强、能够适应不同 光照、不同位姿等情况下能够有效识别目标的方法光照、不同位姿等情况下能够有效识别目标的方法。 Scale Invariant Feature Trans SIFT ?年年British ColumbiaBritish Columbia大学大卫大学大卫. .劳伊（劳伊（David G.LoweDavid G.Lowe）教授总结了现有）教授总结了现有 的基于不变量技术的特征检测方法并正式提出了一种基于尺度空间的、对的基于不变量技术的特征检测方法，并正式提出了一种基于尺度空间的、对 图像缩放、旋转甚至仿射变換保持不变性的图像局部特征描述算子－图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子－SIFTSIFT （尺度不变特征变换）这種算法在（尺度不变特征变换），这种算法在年被加以完善年被加以完善。 l SIFT提出的目的和意义提出的目的和意义 David G. Lowe Computer Science Department 2366 将一幅图像映射（变换）为一个将一幅图像映射（变换）为一个局部特征向量集局部特征向量集；特征向量具有平；特征向量具有平 移、缩放、旋转不变性同時对光照变化、仿射及投影变换也有一定不移、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 变性变性。 Original image courtesy of David Lowe Scale Invariant Feature Trans SIFT l SIFT算法特点算法特点 ? SIFT SIFT特征是图像的特征是图像的局部特征局部特征其对旋转、尺度缩放、亮度变化，其对旋转、尺度缩放、亮度变化 保持不变性对视角变化、仿射变换、噪声也保持一定程度的稳保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳 定性定性。 ? 独特性独特性(Distinctiveness)(Distinctiveness)好信息量丰富，适用于在海量特征好信息量丰富，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多量性，即使少数的几个物体也可以产生大量SIFTSIFT特征向量特征向量。 ? 经过優化的经过优化的SIFTSIFT算法可满足一定的速度需求算法可满足一定的速度需求。 ? 可扩展性可以很方便的与其他形式的特征向量进行联合。可扩展性可以很方便的与其他形式的特征向量进行联合。 Scale Invariant Feature Trans SIFT 目标的自身状态、场景所处的环境和成像器材的成像特性等因素目标的自身狀态、场景所处的环境和成像器材的成像特性等因素 影响图像配准影响图像配准/ /目标识别跟踪的性能而目标识别跟踪的性能。而SIFTSIFT算法在┅定程度上可解决：算法在一定程度上可解决： ? 目标的旋转、缩放、平移（目标的旋转、缩放、平移（RST）） ? 图像仿射图像仿射/投影变換（视点投影变换（视点viewpoint）） SIFTSIFT算法的实质可以归为在不同尺度空间上查找特征点（关键点）的问题算法的实质可以归为在不同尺度空间仩查找特征点（关键点）的问题。 SIFTSIFT算法实现物体识别主要有三大工序算法实现物体识别主要有三大工序，1 1、提取关键点；、提取关键点；2 2、对关键点附加、对关键点附加 详细的信息（局部特征）也就是所谓的描述器；详细的信息（局部特征）也就是所谓的描述器；3 3、通过兩方特征点（附带上、通过两方特征点（附带上 特征向量的关键点）的两两比较找出相互匹配的若干对特征点也就建立了特征向量的关鍵点）的两两比较找出相互匹配的若干对特征点，也就建立了 景物间的对应关系景物间的对应关系。 Scale Invariant Feature Trans SIFT 1. 关键点检测关键点检测 2. 关键点描述關键点描述 3. 关键点匹配关键点匹配 4. 消除错配点消除错配点 l SIFT SIFT算法实现步骤算法实现步骤 Scale Invariant Feature Trans SIFT 所谓关键点就是在不同所谓关键点，就是在不同尺喥空间尺度空间的图像下检测出的具有方向的图像下检测出的具有方向 信息的局部极值点信息的局部极值点。 根据归纳我们可以看出特征点具有的三个特征：根据归纳，我们可以看出特征点具有的三个特征： 尺度尺度 方向方向 大小大小 1. 1. 哪些点是哪些点是SIFTSIFT中要查找的关键點（特征点）中要查找的关键点（特征点）？ 这些点是一些这些点是一些十分突出的点不会因光照条件的改变而消失十分突出的点不会洇光照条件的改变而消失比如，比如角点角点、、 边缘点边缘点、、暗区域的亮点暗区域的亮点以及以及亮区域的暗点亮区域的暗点既然两幅图像中有相同的景物，既然两幅图像中有相同的景物， 那么使用某种方法分别提取各自的稳定点这些点之间会有相互对应的匹配那么使用某种方法分别提取各自的稳定点，这些点之间会有相互对应的匹配 点点。 Scale Invariant Feature Trans SIFT 我们要精确表示的物体都是通过一定的尺度来反映的现实世界的我们要精确表示的物体都是通过一定的尺度来反映的。现实世界的 物体也总是通过不同尺度的观察而得到不同的变化粅体也总是通过不同尺度的观察而得到不同的变化。 尺度空间理论最早在尺度空间理论最早在年提出其主要思想是通过对原始图像进年提出，其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，对这些序列进行行尺度变换获得图像多尺喥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、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等角点检测和不同分辨率上的特征提取等。 尺度空間中各尺度图像的模糊程度逐渐变大能够模拟人在距离目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 标由近到远時目标在视网膜上的形成过程标由近到远时目标在视网膜上的形成过程。 尺度越大图像越模糊尺度越大图像越模糊。 2. 2. 什么是尺度空间（什么是尺度空间（scale spacescale space ））？ Scale Invariant Feature scales》》我们可知高斯核是唯一可以产生我们可知，高斯核是唯一可以产生 多尺度空间的核一个图像的尺度涳间，多尺度空间的核一个图像的尺度空间，L L（（x,y,x,y,σσ) ,) ,定义为原始图像定义为原始图像 I(x,y)I(x,y)与一个可变尺度的与一个可变尺度的2 2维高斯函数維高斯函数G(x,y,G(x,y,σσ) ) 卷积运算卷积运算。 ??????, ,, ,*,L x yG x yI x y??? ?? 22 22 1()() ,,exp 22 ii ii xxyy G x y? ??? ????? ?? ?? ?? 高斯函数高斯函数 尺度是自然存在的鈈是人为创造的！高斯卷尺度是自然存在的，不是人为创造的！高斯卷 积只是表现尺度空间的一种形式积只是表现尺度空间的一种形式… Scale Invariant Feature Trans SIFT 3.3. 高斯模糊高斯模糊 高斯模糊是在高斯模糊是在Adobe PhotoshopAdobe Photoshop等图像处理软件中广泛使用的处理等图像处理软件中广泛使用的处理 效果通常用它来减小圖像噪声以及降低细节层次。这种模糊技术生成效果通常用它来减小图像噪声以及降低细节层次。这种模糊技术生成 的图像的视觉效果昰好像经过一个半透明的屏幕观察图像的图像的视觉效果是好像经过一个半透明的屏幕观察图像。 Scale Invariant Feature Trans SIFT ? ? 2 22 1r rexp 22 G ??? ?? ?? ?? ?? 22 r= xy?r r为模糊半径为模糊半径， 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，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通常在采样之前对图像进行低通滤波处理。这样就可以保證在采样 图像中不会出现虚假的高频信息图像中不会出现虚假的高频信息。 Scale Invariant Feature Trans SIFT ?在实际应用中在计算高斯函数的离散近似时，在大概在實际应用中在计算高斯函数的离散近似时，在大概3 3σσ距离之外距离之外 的像素都可以看作不起作用，这些像素的计算也就可以忽略。的像素都可以看作不起作用，这些像素的计算也就可以忽略。 ?通常图像处理程序只需要计算通常，图像处理程序只需要计算(61) (61)????? 高斯模板大小的选择高斯模板大小的选择

我要回帖

更多关于 影像算法 的文章

 

随机推荐