目錄

• • SIFT是什么？
  • 尺度空間理論
  • SIFT特征點(diǎn)提取
  • SIFT特征點(diǎn)描述

SIFT是什么？

SIFT ,即尺度不變特征變換( Scale-invariant feature transform，SIFT) ,一種特征描述方法。具有
尺度魯棒性
旋轉(zhuǎn)魯棒性
光照魯棒性
SIFT本身包括了特征點(diǎn)篩選及特征點(diǎn)描述的步驟。

尺度空間理論

SIFT的特征點(diǎn)篩選目的:尋找在不同尺度空間下的極值點(diǎn)，保證這些特征點(diǎn)在放大或者縮小的條件下均存在。
（這一特點(diǎn)與Harris檢測(cè)特征點(diǎn)比較的話發(fā)現(xiàn)，Harris對(duì)尺度變換的魯棒性較差）
SIFT的特征點(diǎn)篩選方法：DoG近似LoG。
LoG(Laplacian of Gaussian) :使用不同sigma獲得不同的尺度空間圖像，然后通過(guò)Laplacian算子獲得極值。這一運(yùn)算過(guò)程可以用DoG(Difference-of-Gaussian)近似。拉普拉斯其實(shí)就是二階導(dǎo)數(shù)，產(chǎn)生的零交叉點(diǎn)就是我們所要獲取的極值。
關(guān)于LoG與DoG的更多知識(shí)可以轉(zhuǎn)到：圖像分割-LOG檢測(cè)器和DOG檢測(cè)器
DoG步驟：

得到的結(jié)果與LoG結(jié)果非常相似，在DoG結(jié)果圖中，我們用亮度表達(dá)差分值的大小。在紋理比較豐富、邊緣區(qū)域具有比較大的值。
理解：高斯卷積核其實(shí)是一種加權(quán)的平均。在灰度變化不劇烈的地區(qū)，一個(gè)像素值的大小和周圍像素值得大小基本相等，所以不管加權(quán)的參數(shù)是哪樣，得到的加權(quán)結(jié)果其實(shí)是相似的，所以做差分之后這種區(qū)域的差分值會(huì)很小。灰度變化劇烈的地區(qū)則反之，差分值會(huì)很大。

SIFT特征點(diǎn)提取

在SIFT特征點(diǎn)選取中所用到的DoG：

這時(shí)候就出現(xiàn)了一個(gè)問(wèn)題：隨著sigma的增加，它需要更大的高斯窗口進(jìn)行平滑模糊處理。（sigma越大高斯函數(shù)越扁平）會(huì)使無(wú)法處理的區(qū)域增加，同時(shí)計(jì)算量增加。在空間濾波中我們學(xué)習(xí)到，3* 3模板進(jìn)行卷積時(shí)對(duì)圖像最外一層像素是無(wú)法處理的，5*5是周圍兩層像素。
解決方法：圖像金字塔，回顧知識(shí)：Opencv——圖像金字塔與圖像尺寸縮放

當(dāng)k增加到2時(shí)，我們將圖像縮小為1/2尺寸，這叫降采樣。再使用sigma0的模板處理。我們發(fā)現(xiàn)，圖像縮小了二分之一，而sigma卻沒(méi)有改變。重復(fù)該操作，進(jìn)行降采樣。同一個(gè)Octave的圖像具有相同的尺寸。
在圖像金字塔處理之后，我們將就是檢測(cè)DoG極值了。

關(guān)于獲取一個(gè)octave的圖像的詳細(xì)過(guò)程可以參考文章最末的原理講解，那個(gè)是十分詳細(xì)的。
這樣得出來(lái)的極值的性質(zhì)如何？

當(dāng)然這些得到的極值點(diǎn)是候選點(diǎn)。在得到候選點(diǎn)之后就要對(duì)候選點(diǎn)的特征進(jìn)行描述，以達(dá)到匹配的目的。

SIFT特征點(diǎn)描述

使用梯度值對(duì)特征點(diǎn)進(jìn)行表述,計(jì)算像素的梯度值和梯度方向。相對(duì)像素的亮度值，梯度對(duì)光照具有更好的魯棒性。
當(dāng)圖像處于一個(gè)剛體狀態(tài)時(shí)（沒(méi)有劇烈形變），某像素與它周圍像素的關(guān)系應(yīng)該是近乎恒定的。對(duì)一個(gè)區(qū)域進(jìn)行描述的話得到的描述子將更加穩(wěn)定。
我們先假設(shè)一個(gè)候選點(diǎn)：

然后計(jì)算它周圍一定區(qū)域的梯度值，比如8*8區(qū)域。

1、將得到的角度值進(jìn)行36等分。
2、在特征點(diǎn)對(duì)應(yīng)的尺度空間計(jì)算梯度值。
3、利用高斯核對(duì)梯度進(jìn)行計(jì)算權(quán)重。
也就是說(shuō)該像素周圍像素的權(quán)重由兩個(gè)值決定：一個(gè)是本身梯度大小、第二個(gè)是離考察像素點(diǎn)的距離。

建立一個(gè)36維的直方圖，每次累加的值就是它的權(quán)重

其實(shí)到了這一步已經(jīng)可以很好地描述了。
但是注意，此刻的角度計(jì)算得到的是一個(gè)絕對(duì)角度，是與水平方向成的角度。當(dāng)圖像旋轉(zhuǎn)后顯然這種描述方法就有問(wèn)題了。
解決方法：獲取一個(gè)具有代表性的方向作為主方向。通常選擇梯度值最大的那個(gè)角度分量作為主方向，獲得更具有旋轉(zhuǎn)魯棒性的描述方法。


選擇完主方向后，將周圍圖像以主方向計(jì)算相對(duì)角度。這樣就算圖像進(jìn)行旋轉(zhuǎn)，主方向也會(huì)進(jìn)行旋轉(zhuǎn)，相對(duì)角度保持相對(duì)恒定狀態(tài)。
代碼實(shí)現(xiàn)可以參考第二個(gè)鏈接。
要是想要調(diào)用Opencv庫(kù)函數(shù)，則要參考毛星云的《Opencv3編程入門的》417頁(yè)，
我在我的Opencv安裝包中沒(méi)有找到這個(gè)nonfree文件夾，以后再解決這個(gè)問(wèn)題。網(wǎng)上大部分調(diào)庫(kù)代碼也需要一些自己添加庫(kù)。

參考鏈接:

SIFT算法詳解
基于C++和OpenCv的SIFT_圖像局部特征檢測(cè)算法代碼的實(shí)現(xiàn)
《數(shù)字圖像處理PPT.李竹版》

總結(jié)

以上是生活随笔為你收集整理的SIFT讲解（SIFT的特征点选取以及描述是重点）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。