sift变换

3 月，跳不动了？>>> 目标 在这一章当中， 我们将学习SIFT算法的概念 我们将学习如何找到SIFT关键点和描述符。 理论 在最后几章中，我们看到了一些角落探测器，如哈里斯等。它们是旋转不变的，这意味着，即使图像旋转了，我们也可以找到相同的角落。这是显而易见的，因为角落在旋转的图像中也是角落。但是缩放呢？如果图像缩放，角落可能不是角落。例如，请查看下面的简单图片。放大同一个窗口时，小窗口内的小图像中的一个角落是平坦的。所以哈里斯的角落不是规模不变的。 因此，2004年，不列颠哥伦比亚大学的 D.Lowe 在他的论文中提出了一种新的算法 - 尺度不变特征变换（SIFT），该算法 从尺度不变关键点 获取 特征图像特征 ，提取关键点并计算其描述符。 （本文很容易理解，并被认为是SIFT上最好的资料，所以这个解释只是本文的一个简短摘要） 。 SIFT算法主要涉及四个步骤。我们将逐一看到他们。 1.尺度空间极值检测 从上图中可以看出，我们不能使用相同的窗口来检测不同比例的关键点。小角落也行。但要检测更大的角落，我们需要更大的窗口。为此，使用缩放空间滤波。其中，高斯拉普拉斯可以找到具有各种 值的图像。LoG作为一个斑点检测器，可以检测由于变化而产生的各种大小的斑点 。总之， 作为缩放参数。例如，在上面的图像中，低的高斯内核 为小角部提供高值，而高斯内核高度 适合较大的角部。因此

1.sift简介 SIFT，即尺度不变特征变换（Scale-invariant feature transform，SIFT），是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。 SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。 1.1兴趣点 SIFT 特征使用高斯差分函数来定位兴趣点： 其中， 是上一章中介绍的二维高斯核， 是使用 模糊的灰度图像， κ 是决定相差尺度的常数。兴趣点是在图像位置和尺度变化下 D(x,σ) 的最大值和最小值点。这些候选位置点通过滤波去除不稳定点。基于一些准则，比如认为低对比度和位于边上的 点不是兴趣点，我们可以去除一些候选兴趣点。 1.3描述子 为了对图像亮度具有稳健性，SIFT 描述子使用图像梯度。 SIFT 描述子在每个像素点附近选取子区域网格，在每个子区域内计算图像梯度方向直方图

1 SIFT描述子 1.1SIFT描述子简介 SIFT，即尺度不变特征变换（Scale-invariant feature transform，SIFT），是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。 1.2 SIFT算法实现步骤简述 SIFT算法实现特征匹配主要有三个流程，1、提取关键点；2、对关键点附加 详细的信息（局部特征），即描述符；3、通过特征点（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，建立景物间的对应关系。 2 关键点检测的相关概念 2.1 哪些点是SIFT中要查找的关键点（特征点） 这些点是一些十分突出的点不会因光照、尺度、旋转等因素的改变而消 失，比如角点、边缘点、暗区域的亮点以及亮区域的暗点。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 相互对应的匹配点 2.2 什么是尺度空间 关键点检测的相关概念 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时目标 在视网膜上的形成过程。 尺度越大图像越模糊。 根据文献《Scale-space theory: A basic tool for analysing structures at different scales》可知，高斯核是唯一可以产生 多尺度空间的核，一个

SIFT特征提取+匹配 目录 SIFT特征提取+匹配 1. 算法描述 1.1 构建尺度空间 1.2 LoG近似DoG找到关键点 1.3 除去不好的特征点 1.4 关键点的表示 1.5 关键点描述子的生成​ 1.6 根据SIFT进行匹配 2. 实验要求 3.实验过程 3.1 实验数据集 ​ 3.2 sift特征提取 3.3 特征匹配 3.4 匹配筛选 4. 总结 4.1 SIFT特征特性： 4.2 SIFT特征的缺点 4.3 SIFT特征的用途 4.4 实验过程遇到的问题 1. 算法描述 特征描述子就是对关键点提取特征的过程，应该具备可重复性、可区分性、准确性、有效性和鲁棒性。SIFT(Scale-Invariant Feature Transform)是一种特征描述子。该描述子具有尺度不变性和光照不变性。 1.1 构建尺度空间 这里的尺度可以理解为图像的模糊程度，就是眼睛近视的度数。尺度越大细节越少，SIFT特征希望提取所有尺度上的信息，所以对图像构建尺度空间, 也就是实用不同的平滑核对图像进行平滑。这里的平滑核选用高斯核，空间尺度有高斯核尺度决定： 其中 是原图像，*是卷积符号， 对应尺度下的尺度图像， 是高斯核。 其中 G(x,y,σ) 是尺度可变高斯函数 （x，y）是空间坐标，是尺度坐标。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

此部分是计算机视觉部分，主要侧重在底层特征提取，视频分析，跟踪，目标检测和识别方面等方面。对于自己不太熟悉的领域比如摄像机标定和立体视觉，仅仅列出上google上引用次数比较多的文献。有一些刚刚出版的文章，个人非常喜欢，也列出来了。 33. SIFT 关于SIFT，实在不需要介绍太多，一万多次的引用已经说明问题了。SURF和PCA-SIFT也是属于这个系列。后面列出了几篇跟SIFT有关的问题。 [1999 ICCV] Object recognition from local scale-invariant features [2000 IJCV] Evaluation of Interest Point Detectors [2006 CVIU] Speeded-Up Robust Features (SURF) [2004 CVPR] PCA-SIFT A More Distinctive Representation for Local Image Descriptors [2004 IJCV] Distinctive Image Features from Scale-Invariant Keypoints [2010 IJCV] Improving Bag-of-Features for Large Scale Image Search [2011 PAMI]

尺度不变特征变换匹配算法详解 Scale Invariant Feature Transform(SIFT) Just For Fun 转自： http://blog.csdn.net/zddblog/article/details/7521424 对于初学者，从 David G.Lowe 的论文到实现，有许多鸿沟，本文帮你跨越。 1 、 SIFT 综述 尺度不变特征转换 (Scale-invariant feature transform 或 SIFT) 是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe 在 1999 年所发表， 2004 年完善总结。 其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、 3D 模型建立、手势辨识、影像追踪和动作比对。 此算法有其专利，专利拥有者为英属哥伦比亚大学。 局部影像特征的描述与侦测可以帮助辨识物体， SIFT 特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用 SIFT 特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要 3 个以上的 SIFT 物体特征就足以计算出位置与方位

很详细的一个英文博客： http://aishack.in/tutorials/sift-scale-invariant-feature-transform-introduction/ SIFT （Scale-invariant feature transform, 尺度不变特征变换） 是 局部特征描述子 ，尺度不变性 尺度空间：所有尺度上的图像位置，高斯微分函数来识别潜在对于尺度和旋转不变的兴趣点。 1.1 构建 高斯金字塔 ，先将图像放大一倍，每一组（Octave) a1a2a3an（不同blur level）是由不断高斯模糊 通过卷积高斯核 构成，下一组第一张是当前组最后一张降采样构成，组内不同层插值用于构建高斯金字塔。 LoG估计。 2.1 基于 Difference of Gaussian 近似--> Laplacian of Gaussian 基于模糊后的二阶导 , 相邻层相减构建差分高斯金字塔。 关键点检测。 3.1 让候选点与周围如图26个点比较，如为极大值或极小值则初步认为是近似关键点。基于这些点结合**泰勒展开（拉格朗日定理）**和插值法找到极值subpixel位置作为关键点。 剔除低部分关键点通过对比度检测和边缘检测。 4.1 通过指定 阈值 剔除低对比度点；基于 Hessian Matrix 通过梯度找到角点，两个方向梯度都小是flat region

learning to see.pdf @lutingting 2016-11-04 16:15 字数 10899 阅读 4087 SIFT特征提取及匹配 数字图像处理 图像特征提取 SIFT特征提取及匹配 1.SIFT（Scale-invariant feature transform）算子的核心思想 2.什么是尺度空间呢？ 2.1 一篇百度文库的文章关于尺度空间的分析 例子1 例子2 现实生活中的例子 2.2 SIFT中的尺度空间的概念 3.SIFT特征提取 3.1 尺度空间极值检测 3.1.1 尺度空间的建立（高斯金字塔的建立） 3.1.2 图像差分高斯金字塔（DoG）的建立 3.1.3 尺度空间中特征点的检测（DoG中极值点的检测） 3.2 关键点位置及尺度确定 3.3 关键点方向确定 3.4 特征向量生成 4.SIFT特征的匹配 5.下面是一些参考程序 5.1 5.2 1.SIFT（Scale-invariant feature transform）算子的核心思想 利用不同尺度的高斯核函数对图像进行平滑，即构造图像的尺度空间 比较不同尺度平滑后的图像差别，在某局部范围内，差别最大或者差别最小的像素点就是特征明显的点 由于SIFT特征的检测方式，使得它具有： 尺度不变性：在尺度空间内进行的特征点检测 2.什么是尺度空间呢？ 2.1 一篇百度文库的文章关于尺度空间的分析

（一）图像特征匹配--SIFT 1.1 SIFT背景简介 SIFT算法是David Lowe在1999年提出的局部特征描述子，并在2004年深入发展和完善。 SIFT算法是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在的尺度。 该关键点方向特征选取该点邻域梯度的主方向，以便实现算子对尺度和方向的无关性。 1.2 SIFT特征向量生成步骤 一幅图像SIFT特征向量的生成步骤主要有如下四步： （1）检测尺度空间极值点，初步确定关键点的位置和所在尺度； [初步找出关键点群] （2）精确确定关键点位置和尺度，同时去除低对比度的关键点和不确定的边缘响应点，以便增强匹配稳定性、提高抗噪声能力；[精确确定关键点群并择优筛选] （3）指定每个关键点的方向参数，以便算子具有旋转不变性； （4）生成关键点描述子，即生成SIFT特征向量； 1.2.1尺度空间 概念解释：尺度空间：尺度空间是利用高斯核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，对这些序列进行尺度空间特征提取 其中，二维高斯核定义为： 其中σ被称为尺度坐标， 是高斯正态分布的方差。 注：除高斯核外，尺度函数有很多，但并不是所有的尺度函数都可以构建尺度空间。Koenderink和Lindeberg已经证明，在一些合理的约束下，高斯核是唯一可以产生尺度空间的核，而且是唯一的线性核。 二维图像 在不同的尺度空间 可以通过图像

\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}