浅谈sift算子.ppt
《浅谈sift算子.ppt》由会员分享,可在线阅读,更多相关《浅谈sift算子.ppt(24页珍藏版)》请在三一文库上搜索。
1、优秀精品课件文档资料,浅谈sift算子,一.Sift发展历程简介:,Sift算子最早是由D.G.Lowe于1999年提出的,当时主要用于对象识别。 2004年D.G.Lowe对该算子做了全面的总结,并正式提出了一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子sift(Scale Invariant Feature Transform)算子,即尺度不变特征变换。,二.Sift算子的主要思想:,Sift算法是一种提取局部特征的算法,在尺度空间寻找极值点,提取位置尺度,旋转不变量。,三.Sift算子的主要特点:,Sift特征是图像的局部特征,其对旋转、尺度缩放、亮度变
2、化保持不变,对视角变化、仿射变换、噪声也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的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。,四.Sift算子主要步骤:,尺度空间的极值探测。 关键点的精确定位。 确定关键点的主要方向。 关键点的描述。,五.Sift算子详解:,. 尺度空间的生成,尺度空间理论的目的是模拟图像数据的多尺度特征。尺度空间的基本思想是:在视觉信息(图像信息)处理模型中引入一个被视为尺度的参数,通过连续变化
3、尺度参数获得不同尺度下的视觉处理信息,然后综合这些信息以深入地挖掘图像的本质特征。, 高斯卷积核是实现尺度变换的唯一线性核。,一副二维图像,在不同尺度下的尺度空间表示可由图像与高斯核卷积得到:,式中, 代表图像的像素位置, 代表图像的尺度空间, 为尺度空间因子,其值越小则表征被平滑的越少,相应的尺度也就越小。同时大尺度对应于图像的概貌特征,小尺度对应于图像的细节特征。,另外, 是指尺度可变高斯函数,其定义如下:,其中, 是空间坐标, 代表高斯正态分布的方差,亦即尺度坐标。,为了有效提取稳定的关键点,Lowe提出了利用高斯差分函数DOG(Difference Of Gaussian)对原始影像进
4、行卷积:,即利用不同尺度的高斯差分核与图像卷积生成。,DOG算子的计算效率高,计算简单,且是尺度归一化的LOG算子的近似。(LOG算子及其相关不再予以简绍), 高斯差分尺度空间的生成:,右图为高斯差分尺度空间生成的示意图。 图像金字塔的构建:图像金字塔共P组,每组有S层,下一组的图像由上一组的图像降采样得到。 图1由两组高斯尺度空间图像示例金字塔的构建,第二组的第一幅图像由第一组的第一幅到最后一幅图像由一个因子2降采样得到。 图2 DOG算子的构建,具体说来: . 在第一层尺度空间中,利用 卷积核分别对原始影像进行高斯卷积,生成高斯金字塔影像(S+3张),其中n为高斯金字塔影像的索引号(0,1
5、,2,S+2),S为该层尺度空间的子层数。 . 将第一层尺度空间中的相邻高斯金字塔影像相减,生成高斯差分金字塔影像。 . 不断地将原始影像降采样2倍,并重复类似和的步骤,生成下一层尺度空间。, 局部极值探测:,为了寻找尺度空间的极值点,每一个采样点都要和它所有的相邻点比较,看其是否比它的图像域和尺度域的相邻点大或者是小。如右图所示,中间的检测点和它同尺度的8个相邻点以及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。,如果该检测点的值小于或大于它的相邻点(26个相邻点),那么该点即为一个局部极值点(关键点)。,. 关键点的精确定位,关键点的精确定位是通
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 浅谈 sift 算子
链接地址:https://www.31doc.com/p-2631940.html