一.SIFT(Scale Invariant Feature Transform) 算法

1.圖像尺度空間

• 要讓計算機能夠對物體在不同尺度下有一個統一的認知，就要需要考慮圖像在不同尺度(遠近，大小，顏色區別等)下存在的特點．
• 尺度空間的獲取通常使用高斯模糊來實現．I(x,y)表示一幅圖像，G(x,y,sigma)為高斯函數，對圖像做高斯濾波．
  
• 選擇不同大小的矩陣，做濾波；sigma主要控制矩陣中值的大小，不同的sigma的高斯函數決定了對圖像的平滑程度，越大的sigma對應的圖像月模糊；

2.多分辨率金字塔

• 對中不同大小的圖像都做出多個高斯濾波；

3.高斯差分金字塔(DOG)

• 提取有價值的信息，可以對相同大小(一組)的圖像作差(相鄰間圖像作差)，可以消除相同的信息，提取出不同的信息(特征)；
• 對結果圖像組中的選擇差分結果較大值，是比較重要的特征；
  

4.DoG空間極值檢測

• 選取一個點，在本圖像中和其８鄰域點進行比較，還要和去相鄰的上一幅圖和下一幅圖的８鄰域內的所有點作比較，來確定該點的大小(總共２６個點進行比較)．
  

5.關鍵點的精確定位

• 這些候選關鍵點是　DOG空間的局部極值點，而且這些極值點均為離散的點，精確定位極值點的一種方法是：對尺度空間DOG函數進行曲線擬合，計算其極值點，從而實現關鍵點的精確定位；
• 對離散的點進行求導，可以利用原始函數求導公式；
  
• 對于圖像數據，是一個三維的數據，用同樣的方法來計算極值；
  

６.消除邊界響應

7. 特征點的主方向

• 每個特征點可以得到三個信息(x,y,sigma,seta),即位置，尺度，和方向．具有多個方向的關鍵點可以被復制成多分，然后將方向值分別賦值給復制后的特征點，一個特征點就產生了多個坐標，尺度相等，但是方向不同的特征點；

８.生成特征描述

• 方向和大小；

• 梯度直方圖；

• 在完成關鍵點的梯度計算后，使用直方圖統計鄰域內像素的梯度和方向(主方向)；

• 為了保證特征矢量的旋轉不變性，要以特征點為中心，在附近鄰域內將坐標軸旋轉seta角度，即將坐標軸旋轉為特征點的主方向；
  
  
  

• 分為四個區域，進行統計；
  
  

總結

以上是生活随笔為你收集整理的计算机视觉－SIFT的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。