关于SIFT的一些总结

最新推荐文章于 2019-06-17 09:59:21 发布

弱楓

最新推荐文章于 2019-06-17 09:59:21 发布

阅读量821

点赞数

CC 4.0 BY-SA版权

分类专栏：图像领域文章标签： SIFT

本文链接：https://blog.youkuaiyun.com/MLXY123/article/details/81432418

本文总结了SIFT（尺度不变特征转换）算法的特点和步骤，包括尺度空间构建、空间极值点检测、特征点去除、方向参数赋值以及匹配过程。SIFT具有旋转、尺度缩放等不变性，广泛应用于图像匹配和识别。通过高斯金字塔和差分图像检测关键点，并通过直方图确定方向，最后进行匹配。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

近来一直在研究SIFT算法，参考了一些资料之后自己总结了一下，防止之后忘记，也希望可以帮到对SIFT感到头疼的人

SIFT算法的特点：
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SIFT特征向量；
4.高速性，经优化的SIFT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。

步骤：
1.构建尺度空间
这里的尺度指的是各种模糊程度，也就是高斯模糊的程度。大尺度对应图像的概貌特征，小尺度对应图像的细节特征。大的σ值对应粗糙尺度(低分辨率)，反之，对应精细尺度(高分辨率)。
具体实现：金字塔形式：首先是图片的不同尺寸，每一塔大概是上一塔的1/4，其中每一层按照不同的高斯模糊程度进行模糊。

此时划分为左边的金字塔
在实际计算时，使用高斯金字塔（上图左）每组中相邻上下两层图像相减，得到高斯差分图像（上图右），进行极值检测。