1、 SIFT 算法提出及其改進(jìn)

SIFT算法由D.G.Lowe 1999年提出，2004年完善總結(jié)。代表性文獻(xiàn)

[1]David G. Lowe, "Object recognition from localscale-invariant features,"International Conference onComputer Vision, Corfu, Greece (September 1999),pp.1150-1157.

[2] David G. Lowe, "Distinctive image features fromscale-invariant keypoints,"International Journal ofComputer Vision, 60, 2 (2004), pp. 91-110.

具體的MATLAB代碼在

http://www.cs.ubc.ca/~lowe/keypoints/可以下載。

Rob Hess 基于GSL和Opencv編寫(xiě)了C語(yǔ)言程序。具體的代碼可以在

http://web.engr.oregonstate.edu/~hess/index.html中下載，可以在VC++.net環(huán)境中運(yùn)行，在調(diào)試時(shí)要注意對(duì)GSL和Opencv的正確配置。

后來(lái)Y.Ke將其描述子部分用PCA代替直方圖的方式，對(duì)其進(jìn)行改進(jìn)。

[3] Y. Ke and R. Sukthankar. PCA-SIFT: A MoreDistinctive Representation for Local ImageDescriptors.Computer Vision and Pattern Recognition, 2004

Yanke’s homepage:

http://www.andrew.cmu.edu/user/yke/

2、 SIFT算法主要思想

SIFT算法是一種提取局部特征的算法，在尺度空間尋找極值點(diǎn)，提取位置，尺度，旋轉(zhuǎn)不變量。

3、 SIFT算法的主要特點(diǎn)：

a)SIFT特征是圖像的局部特征，其對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，對(duì)視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性。

b)獨(dú)特性(Distinctiveness)好，信息量豐富，適用于在海量特征數(shù)據(jù)庫(kù)中進(jìn)行快速、準(zhǔn)確的匹配^[23]。

c) 多量性，即使少數(shù)的幾個(gè)物體也可以產(chǎn)生大量SIFT特征向量。

d) 高速性，經(jīng)優(yōu)化的SIFT匹配算法甚至可以達(dá)到實(shí)時(shí)的要求。

e) 可擴(kuò)展性，可以很方便的與其他形式的特征向量進(jìn)行聯(lián)合。

4、SIFT算法步驟：

1）檢測(cè)尺度空間極值點(diǎn)

2）精確定位極值點(diǎn)

3）為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)

4）關(guān)鍵點(diǎn)描述子的生成

SIFT算法的介紹參見(jiàn)：SIFT算法學(xué)習(xí)小記

????前面有朋友問(wèn)到Sift特征點(diǎn)的提取方法，這里簡(jiǎn)單做個(gè)介紹。

?????作為一種匹配能力較強(qiáng)的局部描述算子，SIFT算法的實(shí)現(xiàn)相當(dāng)復(fù)雜，但從軟件開(kāi)發(fā)的角度來(lái)說(shuō)，只要會(huì)使用其中幾個(gè)比較重要的函數(shù)就行了。這里要感謝DavidLowe這個(gè)大牛，不但提供了一種強(qiáng)悍的特征匹配算法，還給出了C++的實(shí)現(xiàn)代碼，后來(lái)有人用C#實(shí)現(xiàn)了這個(gè)算法，需要的朋友可到網(wǎng)上自行下載。
???????
????關(guān)鍵函數(shù)一：

?? int sift_features(IplImage* img, struct feature** feat )

??這個(gè)函數(shù)就是用來(lái)提取圖像中的特征向量。參數(shù)img為一個(gè)指向IplImage數(shù)據(jù)類型的指針，用來(lái)表示需要進(jìn)行特征提取的圖像。IplImage是opencv庫(kù)定義的圖像基本類型（關(guān)于opencv是一個(gè)著名的圖像處理類庫(kù)，詳細(xì)的介紹可以參見(jiàn)http://www.opencv.org.cn）。參數(shù)feat是一個(gè)數(shù)組指針，用來(lái)存儲(chǔ)圖像的特征向量。函數(shù)調(diào)用成功將返回特征向量的數(shù)目，否則返回-1.

?

?? 關(guān)鍵函數(shù)二：

?? int _sift_features(IplImage* img, struct feature** feat, int intvls,double sigma,double contr_thr, int curv_thr, int img_dbl, int descr_width, intdescr_hist_bins )

????這個(gè)函數(shù)是函數(shù)一的重載，作用是一樣的，實(shí)際上函數(shù)一只不過(guò)是使用默認(rèn)參數(shù)調(diào)用了函數(shù)二，核心的代碼都是在函數(shù)二中實(shí)現(xiàn)的。下面將詳細(xì)介紹一下其他的幾個(gè)參數(shù)。

?? intvls:每個(gè)尺度空間的采樣間隔數(shù)，默認(rèn)值為3.

?? sigma: 高斯平滑的數(shù)量，默認(rèn)值1.6.

??contr_thr:判定特征點(diǎn)是否穩(wěn)定，取值（0，1），默認(rèn)為0.04，這個(gè)值越大，被剔除的特征點(diǎn)就越多。

??curv_thr:判定特征點(diǎn)是否邊緣點(diǎn)，默認(rèn)為6.

??img_dbl:在建立尺度空間前如果圖像被放大了1倍則取值為1，否則為0.

??descr_width:計(jì)算特征描述符時(shí)鄰域子塊的寬度，默認(rèn)為4.

????descr_hist_bins:計(jì)算特征描述符時(shí)將特征點(diǎn)鄰域進(jìn)行投影的方向數(shù)，默認(rèn)為8，分別是0，45，90，135，180，215，270，315共8個(gè)方向。

?????如果只是做特征提取，上面這個(gè)函數(shù)就足夠了，不同圖像之間的匹配都是建立在這個(gè)基礎(chǔ)上的，如果你有足夠強(qiáng)的編程能力即使不懂這個(gè)算法也能夠編寫(xiě)出像樣的程序來(lái)，因?yàn)橄旅娴谋容^說(shuō)白了都是數(shù)據(jù)結(jié)構(gòu)的比較，跟算法已經(jīng)沒(méi)有太多關(guān)系了。如果想要深入了解算法，還是認(rèn)真的看論文和代碼吧。

、ubc:DAVID LOWE---SIFT算法的創(chuàng)始人，兩篇巨經(jīng)典經(jīng)典的文章
http://www.cs.ubc.ca/~lowe/

2、cmu:YanKe---PCASIFT,總結(jié)的SIFT方面的文章SO全，巨經(jīng)典
http://www.andrew.cmu.edu/user/yke/

3、ubc:MBROWN---SIFT算法用于圖像拼接的經(jīng)典應(yīng)用autopano-sift，包括一個(gè)SIFTLIB庫(kù)
http://www.cs.ubc.ca/~mbrown/autostitch/autostitch.html
http://www.cs.ubc.ca/~mbrown/panorama/panorama.html

4、toronto:Jepson---Matlab SIFT tutorial, 超級(jí)超級(jí)超級(jí)經(jīng)典~
http://www.cs.toronto.edu/~jepson

5、ucla:Vedaldi---加州大學(xué)一個(gè)博士生編的SIFT，Matlab、C的都有，但沒(méi)用過(guò)
http://www.cs.ucla.edu/~vedaldi/

6、一個(gè)小的拼接軟件ptasmblr
http://www.tawbaware.com/ptasmblr.htm

幾個(gè)關(guān)于sift的算法鏈接網(wǎng)址，以后要養(yǎng)成這種隨時(shí)保存資料的好習(xí)慣！否則后面不知道又要花多少時(shí)間去找，最重要的是影響心情。

SIFT?關(guān)鍵點(diǎn)檢測(cè)和匹配算法,這個(gè)算法在圖像匹配方面具有很好的性能。

比原有的harris點(diǎn)匹配方式具有各高的佩準(zhǔn)準(zhǔn)確度，只是算法速度較慢

SIFT?Keypoint?Detector

This?page?provides?access?to?a?demo?version?of?David?Lowe's?SIFT?keypoint?detector?in?the?form?of?compiled?binaries?that?can?run?under?Linux?or?Windows.?The?demo?software?uses?PGM?format?for?image?input.?It?can?output?keypoints?and?all?information?needed?for?matching?them?to?a?file?in?a?simple?ASCII?format.?A?Matlab?program?and?sample?C?code?are?provided?that?can?read?the?keypoints?and?match?them?between?images.?

?The?image?on?the?right?shows?an?example?of?matching?produced?by?the?demo?software.?Features?are?extracted?from?each?of?the?two?images,?and?lines?are?drawn?between?features?that?have?close?matches.?In?this?example,?many?matches?are?found?and?only?a?small?fraction?are?incorrect.?

This?software?is?provided?for?research?purposes?only,?and?a?license?must?be?obtained?from?the?University?of?British?Columbia?for?commercial?applications.?See?the?LICENSE?file?provided?with?the?software.?

The?program?can?be?accessed?from?the?following?link?in?the?form?of?a?zip?file?containing?the?compiled?binaries?and?demo?code.?To?unpack,?use?"unzip?siftDemoV4.zip"?from?Linux?or?an?unzip?utility?in?Windows.?The?code?comes?with?a?file?README?giving?full?details.?

SIFT?demo?program?(Version?4,?July?2005)?

Release?history

Related?papers

The?most?complete?and?up-to-date?reference?for?the?SIFT?feature?detector?is?given?in?the?following?journal?paper:?

The?SIFT?approach?to?invariant?keypoint?detection?was?first?described?in?the?following?ICCV?1999?conference?paper,?which?also?gives?some?more?information?on?the?applications?to?object?recognition:?

The?following?paper?gives?methods?for?performing?3D?object?recognition?by?interpolating?between?2D?views.?It?also?provides?a?probabilistic?model?for?verification?of?recognition.?

Patents