SIFT特征提取算法VIP专享VIP免费

SIFT 特征提取算法总结 图像检索 2010-09-25 22:49:19 阅读51 评论0 字号：大中小 订阅 一、综述 Scale-invariant feature transform(简称 SIFT)是一种图像特征提取与匹配算法。 SIFT 算法由David.G.Low e 于 1999 年提出，2004 年完善总结，后来 Y.Ke(2004)将其描述子部分用 PCA 代替直方图的方式，对其进行改进。SIFT 算法可以处理两幅图像之间发生平移、旋转、尺度变化、光照变化情况下的特征匹配问题，并能在一定程度上对视角变化、仿射变化也具备较为稳定的特征匹配能力。 二、SIFT 特征提取算法 SIFT 算法首先在尺度空间进行特征检测，并确定关键点的位置和关键点所处的尺度，然后使用关键点邻域梯度的主方向作为该点的方向特征，以实现算子对尺度和方向的无关性。 SIFT 算法提取的 SIFT 特征向量具有如下特性： a) SIFT 特征是图像的局部特征，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定性。 b) 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。 c) 多量性，即使少数的几个物体也可以产生大量SIFT 特征向量。 d) 高速性，经优化的 SIFT 匹配算法甚至可以达到实时的要求。 e) 可扩展性，可以很方便的与其他形式的特征向量进行联合。 一幅图像SIFT 特征向量的生成算法总共包括 4 步：尺度空间极值检测、关键点位置及尺度确定、关键点方向确定、特征向量生成。最后通过特征向量完成特征点的匹配。 2.1 尺度空间极值检测 机器人在环境中走动时，摄像机和环境中物体的相对位置会发生变化，导致图像上物体的特征的尺度发生变换。我们希望特征具有尺度不变性，即当特征尺度变化时，特征点检测器仍然能够准确的检测出特征点及其尺度。为满足以上条件，特征检测需要在多尺度空间的框架下进行。 尺度空间理论是检测不变特征的基础。Witkin(1983)提出了尺度空间理论，他主要讨论了一维信号平滑处理的问题。Koenderink(1984)把这种理论扩展到二维图像，并证明高斯卷积核是实现尺度变换的唯一变换核。 二维高斯函数定义如下： 一幅二维图像，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： 其中(x,y)为图像点的像素坐标，I(x,y)为图像数据。σ 称为尺度空间因子，它也是高斯正态分布的方差，其反映了图像被平滑的程度，其值越小表征图像被平滑程度越小，相应尺度越小。 L 代表了图像的尺度空间。 为高效的在...