高斯滤波

\documentclass[12pt]{article}%{ctexart} \usepackage{ctex} \usepackage{amsmath} \usepackage{amssymb} \usepackage{amsfonts} \usepackage{changepage} \usepackage{graphicx} \usepackage{url} %\usepackage{setspace} \title{一周进展报告} \author{杨拓} \date{\today} \setlength{\parskip}{0.5\baselineskip} \begin{document} \maketitle %生成文档目录 \tableofcontents %构建各章节的一级小结 \pagebreak \section{SIFT} \subsection{SIFT简介\cite{2}} \textbf{尺度不变特征转换(Scale-invariant feature transform或SIFT)}，由David Lowe于1999年首次提出，作用是将一幅图像映射为一个局部特征向量集；特征向量具有平移、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的不变性。 \begin{adjustwidth}{1cm}{1cm} SIFT算法的特点有：~\\ 1

\section{SIFT} \subsection{SIFT简介\cite{2}} \textbf{尺度不变特征转换(Scale-invariant feature transform或SIFT)}，由David Lowe于1999年首次提出，作用是将一幅图像映射为一个局部特征向量集；特征向量具有平移、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的不变性。 \begin{adjustwidth}{1cm}{1cm} SIFT算法的特点有：~\\ 1.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；\\ 2.独特性（Distinctiveness）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；\\ 3.多量性，即使少数的几个物体也可以产生大量的特征向量；\\ 4.高速性，经优化的匹配算法甚至可以达到实时的要求；\\ 5.可扩展性，可以很方便的与其他形式的特征向量进行联合。 \end{adjustwidth} \begin{adjustwidth}{1cm}{1cm} SIFT算法的基本步骤为：~\\ 1.高斯差分（DoG）滤波；\\ 2.尺度空间的极值检测和关键点位置确定；\\ 3.关键点方向确定；\\ 4.构建关键点特征描述符； \end{adjustwidth}

/*入门学习 图像滤波 Filtering 是图像处理中的一个基本操作，其目的是为了提取图像中被认为重要的那些部分。 滤波可以去除图像中的噪声，提取感兴趣的视觉特征，允许图像重采样等。 这里我们了解一些基本的内容。 观察一幅图像时，我们看到不同的灰度（或彩色值）在图像中的分布。图像之间存在不同是因为他们有不同的灰度分布。 因此存在另一种进行图像处理的方式：观察图像中存在的灰度的变化。 一些图像中包含大面积恒定的灰度强度，另一些图片中灰度变化迅速。 因此观察图像中灰度或者像素点变化的频率构成了一种描述图像的方式，这种观点被称为频域。通过观察灰度的分布 来描述一幅图像 被称为空间区域。 空间域又称图像空间(image space)。由图像像元组成的空间。 在图像空间中以长度(距离)为自变量直接对像元值进行处理称为空间域处理。 以空间坐标作为变量进行的研究就是空间域。 频域分析按照高频到低频的次序 ，分解图像到频率内容。低频对应区域的图像强度变化缓慢，高频区域是由快速变化的图像 强度生成的。图像时二维的，他包含垂直频率（垂直方向的变化）和水平频率（水平方向的变化） 频域分析的框架下，滤波操作的作用是增强部分频段，同时限制或者衰减其他频段。 低频滤波器去除了图像中的高频成分，高通滤波器去除了低频成分。 这篇博客个人觉得讲的非常好：https://blog.csdn.net/qq