图像处理复习(一):SIFT

图像处理-最常见面试题(必问) 文章目录1.图像预处理有哪些方法?1.1 高斯滤波器原理介绍?2.图像增强有哪些方法?3.图像的特征提取有哪些算法?3.1 HOG(方向梯度直方图)3.2 SIFT(尺度不变特征变换)3.3 SURF(加速稳健特征,对sift的改进)3.4 DOG(高斯函数差分)3.5 LBP(局部二值模式)3.6 HAAR3.7 SIFT vs HOG4.膨胀和腐蚀含义?开运算和闭运算先后顺序?5.传统的边缘检测算子有哪些?5.1 索贝尔算子(Sobel)5.2 加权平均算子(Isotropic Sobel)5.3 罗伯 阅读详情

SIFT 复习笔记


最近复习图像处理的知识点。以前曾经多次实践应用过SIFT/SURF,但是因为OpenCV的便利,多数时候都是拿来就用,对其原理以及内涵却欠有细思,所以特地开了一个任务线,来梳理一下相关的概念和理论。

相关概念

尺度特征:在计算特征点的时候把尺度因素加入之中,避免因为物体的尺寸不同而造成特征强度不同以至于被误认为不同物体的特征。

SIFT <–> SURF:SIFT算法比较稳定,检测特征点更多,但是复杂度较高;而SURF要运算简单,效率高,运算时间短一点

尺度空间:一个图像的尺度空间L(x,y,σ)定义为原始图像I(x,y)与一个可变尺度的2D高斯函数G(x,y,σ)卷积运算。

尺度:尺度就是受σ这个参数控制的表示 。而不同的L(x,y,σ)就构成了尺度空间

卷积:二维图像的卷积是指一个特定大小的卷积模板(此处为高斯模板),在目标图像中每一个像素点处(作为模板中心)逐像素求得的加权和(以模板像素值为加权参数)。此卷积的定义与卷积神经网络(CNN)的卷积意义相同。和传统的卷积公式不同,图像处理求卷积往往是一个离散的求加权和的过程。


算法描述

塔:通过降采样实现,每次取二分之一边长,即四分之一面积

层:通过高斯卷积实现,越往上尺度σ越大,也就是越模糊,一般σ的值满足某个系数k的幂的递增变化:σ,kσ,k2σ...;不同塔之间的相同层的高斯模板尺度是保持不变的,但是由于逐塔进行的2倍降采样,表现出来的“模糊程度”是增加的,而且是个模糊程度均匀增加的过程。这样一来在不同的塔之间会形成一个连续的尺度空间,使得特征在尺度上得到完整的覆盖。

DOG(Difference of Gaussian): (G(x,y,kσ)−G(x,y,σ))I(x,y),用于检测极值区域,该极值区域的空间尺寸大小即为所在尺度。直观上的理解便是当尺度σ扩展到kσ时,高斯分布的“边界”跨过了极值区域“边缘”,导致基于这两个模板的图像积分开始出现差异。在塔层结构中的计算方式即为同一塔内相邻尺度的层之间作差。假设塔内有s 层,则k的经验值为21/s

这里写图片描述

特征点判定:一个点如果在DOG尺度空间本层以及上下两层的26个领域中是最大或最小值时,就认为该点是图像在该尺度下的一个SIFT特征点。对于顶层和底层,无法得到尺度空间极值,则对得到的s层高斯模糊之上再加3层,正好在作差之后使得DOG的尺度空间在不同塔之间连续覆盖。
|D(x)|过小的点易受噪声的干扰而变得不稳定,所以将|D(x)|小于某个经验值(Lowe论文中使用0.03,Rob Hess等人实现时使用0.04/S)的极值点删除。由于尺度空间是离散的,得到的极值位置并不是精确的极值点,需要通过插值拟合的方式得到极值点。该极值点包含了(x,y,σ,σoctave)四个信息,分别代表横纵坐标,DOG尺度,塔编号。
我们需要提取出的特征点,是在尺度空间上的极值点,但是边缘通常也会产生较大的DOG特征,需要用主曲率判定的方法来筛选:

H=[DxxDyxDxyDyy]

H的两个特征值为α,β
Tr(H)=α+β

Det(H)=αβ

以Tr(H)2Det(H)=(α+β)2αβ为指标表示边缘属性的强弱。当该值为正且小于某一阈值时,认为是极值点,予以保留。

特征点包含了位置信息和尺度信息,但是没有抵抗旋转或者一定程度的形变的能力。故需要添加一个主方向

特征点方向:
特征点方向的推出应用的是图像处理算法中非常常见的“直方图”概念。此处描述的对象是特征点的方向,而且要有相对旋转的不变性,所以采用梯度方向直方图。以最简单的情况为例,所需要做的便是以当前提取出的特征点为中心,为经过设计的邻域中各个像素处的梯度方向记次(记录梯度在不同方向上出现的次数)。在遍历了特征点领域内的所有像素后,这种记次就呈现出了一种直方图的样子。其中最高的直方所对应的方向,就被作为该特征点的主方向。

这里写图片描述

因为这个梯度方向是基于特征点领域内的像素的相对关系的,所以像素的集体旋转并不会对主方向的相对位置产生影响。当然这只是最简单的方向直方,在实际应用中在描述特征点时往往会同时考虑梯度方向、大小,以及根据相对于特征点位置的距离进行加权。

关键点描述:

  1. 为特征点设定描述子邻域
    根据先前得出的特征点的主方向,确定计算描述子所需的图像区域,描述子梯度方向直方图由关键点所在尺度的模糊图像计算产生。图像区域的半径通过下式计算:

    radius=32√σoctave(d+1)2
  2. 旋转坐标系
    这里写图片描述
    默认主方向在领域内的相对位置不随图像整体的旋转而发生变化。

  3. 生成描述子

这里写图片描述

按照图中表示的那样,划出4*4的区域,在每个区域内根据区域矩形内的像素为8个方向计算梯度分布。该分布同时考虑了相对特征点位置的距离加权,最后得到 4*4*8=128 维的描述子向量。
至此得到一个SIFT特征点需要的所有信息:位置,尺度(塔、层),主方向,描述子。
若要利用SIFT特征点进行匹配,一般通过计算不同待匹配特征点之间的描述子相似程度(距离)来判定。

  1. 描述子处理
    光照的强度会直接影响图像梯度的大小,在特征点的数据上则是体现在梯度绝对值上:光照较强的特征点描述的整体数值会大于光照较弱的。所以,对得到的特征点描述子进行归一化能够减轻光照变化带来的干扰
    在同一图像中,光照可能出现不均匀的情况。这样的环境带来的会是光强的一侧梯度大,光弱一侧梯度小。应对这种情况可以给梯度设立一个截断上限,高于该值的梯度值一律设为该值。在完成截断后再归一化,则可以大大减轻光照不均匀带来的影响。
    除此之外,还可以通过尺度过滤来消除纹理,也可以通过匹配时的仿射关系来去除噪声点等。这方面的方法是茫茫多的,而且都有一定的效果,一般都需要根据自身的对象的特点,或者计算资源的限制来进行取舍

数字图像分析 中科大 2017回忆版考题及复习重点 USTC 任课教师:李厚强,周文罡 我做回忆版试题的原因就是自己在备考的时候没有学长们的往年题参考,心里没底。希望看到这篇blog的学弟学妹们发扬精神,继续回忆考题造福以后的同学。 Q&A:问答, C:计算, A:算法, D:推导 2017-2018学年上学期期末试题 连通悖论 Marr算子,Canny算子 灰度共生矩阵 纹理 给模板和图像,求腐蚀、开启 给模板求距离 阅读详情

相关推荐

计算机视觉的常用图像处理技术

本篇将介绍常用基于OpenCv等视觉库的影像分割以及图像处理技术,并且附赠源码 一:边检测器 先复习一下基础的OpenCv操作:如上图:第一张是原图; 第二张是灰度图: gray = cv2.imread('lena.jpg', cv2.IMREAD_GRAYSCALE) 用法很简单,调包调参嘛,以灰度形式读图,介绍一下灰度转换原理: RGB是三通道彩色图,在矩阵(图像)中的顺序是B,G,R;GRAY是单通道灰度图 COLOR_BGR2GRAY的原理: ​ GRAY = B * 0.114 + G *.

cv君的博客 1万+

2024.9.13 Python与图像处理新国大EE5731课程大作业,SIFT 特征和描述符,单应性矩阵透视变换

具体来说,SIFT 会在不同的尺度(即图像的不同分辨率)下检测图像中的特征点,这使得它可以检测到图像中大小不同的结构或特征。在绘制关键点时,圈圈的大小越大,表示该关键点的特征在更大的尺度上被检测到,也就是说,它代表了图像中较大的局部结构。3.绘制关键点flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS: 使用这个标志,关键点会被以圆圈的形式绘制,并且每个圆圈的大小和方向会根据每个关键点的尺度和角度进行调整,使得你可以看到关键点的特性(即关键点的大小和方向)。

RaidenMessi的博客 1417

用ESP32和HomeSpan自制HomeKit智能灯,手把手教你从零接入苹果家庭App

本文详细介绍了如何使用ESP32开发板和HomeSpan开源库自制原生HomeKit智能灯,从硬件搭建到软件配置,再到通过苹果家庭App控制的全过程。项目绕过了苹果MFi认证,成本低廉但功能完整,支持Siri语音控制、自动化场景等高级功能,是智能家居DIY的实用指南。

weixin_28717431的博客 327

【图像处理】SIFT(Scale Invariant Feature Transform)

图像处理中传统的手工构造特征方法SIFT原理介绍

haru_x的博客 1186

简单说说Python中的pip如何换源

【安装包】:pip install 【升级包】:pip install --upgrade 【卸载包】:pip uninstall 【查看已安装的包】:pip list【搜索包】:pip search (注意:pip search功能在pip 10.0.0之后被弃用,建议使用其他方式搜索包,如访问PyPI官网或使用其他搜索引擎)

一捌柒的博客 2668

Oasys安装教程

在基环境下执行然后去 C:\Users.condarc打开 .condarc这个文件 删除干净里面的东西。

weixin_44254178的博客 1298

图像处理经典算法--SIFT尺度不变特征转换

SIFT(Scale-invariant feature transform 尺度不变特征变换)是一种传统的图像提取算法

panpan_jiang1的博客 2045

基于淘宝商城用户购物行为数据分析系统

本文使用HIve+superset技术对阿里云天池提供的淘宝用户购物数据进行处理分析,得到有价值的信息并对平台提出有建设性意义的意见。

m0_51388399的博客 2821

图像处理——SIFT算法

[SIFT算法原文(Distinctive Image Features from Scale-Invariant Keypoints) SIFT算法(Scale-invariant feature transform),即尺度不变特征变换,由David Lowe提出,是一种基于局部兴趣点的算法,因此不仅对图片大小和旋转不敏感,而且对光照、噪声等的抗干扰能力也很好。 主要步骤 尺度空间极值探测(Scale-space extrema detection) 利用高斯差分函数对整个图像进行搜索,识别潜在的对缩放

qq_41536160的博客 3364

MOSFET导通电阻Rdson全解析:物理组成、公式推导与工程选型要点

在功率电子设计中,MOSFET作为核心开关器件,其导通电阻Rdson直接决定导通损耗与系统效率。从半导体物理角度看,Rdson并非单一固定值,而是由源极电阻、沟道电阻、累积层电阻、JFET区电阻、漂移区电阻及衬底电阻等多个分量串联而成,并随栅极驱动电压、结温以及击穿电压等级发生显著变化。理解Rdson的物理来源与数学表达,有助于工程师在低压大电流与高压小电流等不同场景中合理选型、优化驱动电压并准确估算热损耗。文章从沟道电阻公式出发,深入剖析耐压与导通电阻的物理矛盾、温度系数的影响规律,并给出数据手册参数的正

weixin_29163857的博客 199

SCADA|KingSCADA实现有新报警时声音报警提示

在SCADA项目中有的现场系统比较多,每个调度员可能会一个人盯好多个系统,因此不会一直盯着一个系统,这时候就需要当有新的报警产生时,有报警声音提示,提示调度员查看报警,进行处理。$NewAlarm是一个离散型的变量,是新报警的意思,即当前系统中有新的报警信息产生时,该变量会自动置为1;以上为一最简单的报警提示的实现,实际中可能还会要求语音播报啥啥报警的声音,具体有时间再进行测试。通过创建测试界面,创建一个内存变量,内存变量,配置报警,界面按钮制造报警,测试效果。

做有价值的事,积累有价值的笔记! 1409

期末加油站-图像处理期末知识点汇总

图像处理知识点

qq_1033275663的博客 3467

157、飞控中的鲁棒自适应控制

本文总结了飞控系统中鲁棒自适应控制的实践经验。作者通过炸机案例引出传统PID控制的局限性,分析了鲁棒性与自适应性的本质矛盾,提出"用鲁棒性兜底,用自适应性提性能"的设计原则。重点介绍了模型参考自适应控制(MRAC)的实现方法,包括参考模型设计、自适应律调参技巧(建议初始增益设为0.01)、直接/间接自适应的应用场景差异,以及防止参数漂移的鲁棒修正方法。文章还分享了实际调试中的三大关键问题(初始值设定、激励条件、执行器饱和)及解决方案,并推荐了"鲁棒PID+自适应前馈"的混合架构。最后强调调试顺序应为先保证鲁

2401_88858637的博客 29

图像处理作业5——SIFT算法实现全景图像生成(Python实现)

前前后后花了差不多两周的时间,终于完成了最后一个图像处理大作业,由于自己太菜,这个作业属实有点难顶哦,不过还好成功实现并按时提交,为自己干杯,哈哈!本篇博客记录自己的学习笔记及过程,以备以后回味和复习。 实验二 全景图像生成1. 实验思路2. 实验原理SIFT算法简介算法流程SIFT算法操作步骤1. 关键点检测1.1 哪些是SIFT中要查找的关键点(特征点)?1.2 什么是尺度空间(scal...

qq_42662568的博客 5725

提取游戏音频文件.bnk

bnk其实是一种对音频的加密方式,一个.bnk文件中通常包含了多个语音文件,一般可以使用Wwise-Unpacker来解码.bnk格式文件该工具命名没有规律,需要手动整理文件名。市面上很多的游戏都把音频文件打成.bnk文件(比如永劫无间),用这种方式可以将你想要的游戏的音频都提取出来,本文内容仅供自己娱乐。

类人_猿的博客 8759

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

图像处理常用算法介绍

重点是了解DOG(Difference of Gaussian)高斯差分图像是如何生成的,以及求取关键点,求取关键点的主方向,并以此主方向来做坐标系,梯度方向和梯度幅值按新的坐标系进行计算,构造一个特征向量描述子。这里其实就是通过PCA去求新的坐标系的各坐标轴,一个轴可以认为就是一个特征向量。, 当是一张2000*2000大小图片时,由于直接将图像拉伸为向量,一个样本将达到400万长的一个维度。此篇简单回顾下图像处理领域常用到的一些算法,这边只对每个知识点重要的点做一些记录,便于快速的知其形,会其意。

jiugeshao的专栏 5310

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

图像处理与视觉感知---期末复习重点(8)

1. 梯度方向直方图(Histogram of Oriented Gradient, HOG):是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。HOG特征结合SVM分类器被广泛应用于图像识别中,尤其在行人检测。特征描述子就是将图像抽取部分有用信息,丢掉不相关的信息。特征描述子可以将一个weight×height×3weight×height×3。

m0_62881487的博客 1925

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

【特征匹配】PCA-SIFT原理及源码解析

相关: SIFT原理与源码解析 SURF原理与源码解析 ORB原理与源码解析 FAST原理与源码解析 BRIEF描述子原理与源码解析 Harris原理与源码解析 转载请注明出处:http://blog.csdn.net/luoshixian099/article/details/49174869PCA-SIFT是对传统SIFT算法的改进,由Yan Ke等人

勿在浮砂筑高台 1万+

【图像处理速通】OpenCV 核心操作一网打尽:从像素到 SIFT 特征提取

图像处理是计算机视觉的基石,OpenCV 是这一领域最流行的工具库。本文旨在用一篇文章带你快速打通图像处理的常用操作,从基础像素概念一路深入到轮廓检测、直方图均衡、傅里叶变换,再到 Harris 角点和 SIFT 特征提取。无论你是初学者还是需要快速复习,这篇“速通指南”都能帮你高效梳理核心知识点。

m0_74007562的博客 159

sift计算效率优化_计算机视觉期末复习

机器视觉1. 噪声类型 a.椒盐噪声:黑色像素和白色像素随机出现的一类噪声。 b.脉冲噪声:白色像素随机出现的一类噪声 c.高斯噪声:高斯噪声是指它的强度变化服从高斯分布(即正态分布)的一类噪声。2. Correlation filtering相关滤波公式 从图像左上角像素开始计算 窗口大小是(2k+1)(2k+1) h(u,v)函数为针对每一个邻近像素点所赋予...

weixin_39623271的博客 471

图像处理与视觉感知复习--图像特征描述&图像生成

图像特征描述和图像生成的简单介绍

m0_64372178的博客 1078

图像局部显著性—点特征(SIFT为例)

基于古老的Marr视觉理论,视觉识别和场景重建的基础即第一阶段为局部显著性探测。探测到的主要特征为直觉上可刺激底层视觉的局部显著性——特征点、特征线、特征块。 SalientDetection已经好就没有复习过了,DNN在识别领域的超常表现在各个公司得到快速应用,在ML上耗了太多时间,求职时被CV的知识点虐死...点探测总...

alppkk4545的博客 321

Windows 经典示例:基于 Application loopback 的进程级音频捕获(ActivateAudioInterfaceAsync 新初始化结构实战指南)

本文围绕 Windows-classic-samples 仓库中的 [ApplicationLoopback 示例](https://link.gitcode.com/i/22bf813341ae2d264557934dbed2558c)(即 "Application loopback audio capture")展开,讲解如何借助 `ActivateAudioInterfaceAsync` W

gitblog_00370的博客 651

2021/06/29计算机视觉期末复习笔记整理

计算机视觉期末复习笔记整理引言我的参考考题回忆插入链接与图片如何插入一段漂亮的代码片创建一个表格设定内容居中、居左、居右SmartyPantsKaTeX数学公式 引言 刚结束可能是我学生时代最后一场考试了,orz热乎着,记录一下。 这门课是学校新开的,叫《计算机图形图像》,没讲传统的图形学,是偏向计算机视觉去了。 网上复习资料太少了,这两周断断续续看的PPT、教材、提纲、博客都列举在“我的参考”里。 后面自己整理了几个以为会考的重要的简答题… 我的参考 PPT来源:16-385 Computer Visi

Childishmi的博客 6138

图像处理知多少?准大厂算法工程师30+场秋招后总结的面经问题详解

点击上方“3D视觉工坊”,选择“星标”干货第一时间送达作者丨灯会来源丨极市平台编辑丨极市平台极市导读本篇主要包含了图像滤波、边缘检测相关常考内容等相关面试经验。作者灯会为21届中部985...

3D视觉工坊 2804
上一篇: 暴力补坑:win10+tensorflow+mnist+python3.6导入mnist数据错误:UnicodeEncodeError
下一篇: Tensorflow + ImageNet Inception-v3 视频图像识别
Nexusis
博客等级 码龄10年 41粉丝 11原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值