图片特征值匹配

图像局部描述符

文章目录

1. SIFT特征匹配简介及原理
2. SIFT特征匹配处理及Harris特征提取
3. 可视化接连的图片
4. 环境配置问题及解决办法

1.SIFT特征匹配简介及原理

SIFT的全称是Scale Invariant Feature Transform，尺度不变特征变换，由加拿大教授David G.Lowe提出的。SIFT特征对旋转、尺度缩放、亮度变化等保持不变性，是一种非常稳定的局部特征。

sift特征检测的四个主要步骤：

1. 尺度空间的极值检测
2. 特征点定位
3. 特征方向赋值
4. 特种点描述

接下来的将从这四个方面逐一介绍sift特征检测的原理。

1.1 尺度空间和极值检测

• 高斯尺度空间
  通过高斯函数进行卷积运算可以对图像进行模糊处理，用模糊程度来模拟物体由远到近的过程。
  通过不同的高斯核可以得到不同程度的模糊图像，一副图像的高斯尺寸空间可以由不同的高斯卷积得到:
  $$L(x,y,\sigma )=G(x,y,\sigma )\ast I(x,y)$$
  其中，$G(x,y,\sigma )$是高斯核函数，其中σ代表尺度空间因子，是高斯正态分布的标准差，反应了被模糊的程度，其值越大，模糊程度越高，尺度也就越大。$L(x,y,\sigma )$即代表高斯尺度空间，构建好后就可以检测出在不同尺度下的特征点。特征点的检测可以使用LoG算子，但是LoG的运算量过于大，通常使用的DoG，即差分高斯。
  $$D(x,y,\sigma )=[G(x,y,k\sigma )-G(x,y,\sigma )]\ast$$