20、图像特征点检测与匹配技术解析

图像特征点检测与匹配技术解析

1. 特征点检测算法概述

在图像分析中，特征点检测是至关重要的一步。它能帮助我们找到图像中独特的点，这些点在不同图像中具有一定的稳定性，有助于后续的图像匹配和分析。下面介绍几种常见的特征点检测算法。

2. SURF与SIFT算法

• SURF算法
  • 核函数与二阶导数估计 ：SURF使用特定的核函数来估计混合二阶导数和垂直方向的二阶导数，通过旋转核函数可估计水平方向的二阶导数。最小的核大小为9x9像素，对应σ≈1.2。为了获得尺度空间表示，会依次应用尺寸逐渐增大的核。默认情况下，使用12种不同尺寸的核（最大到99x99）。利用积分图像，能确保每个滤波器的每个瓣内的求和仅需三次加法，与滤波器的大小无关。
  • 特征点定位 ：确定局部最大值后，通过在尺度和图像空间中进行插值，得到每个检测到的特征点的精确位置，最终得到一组具有亚像素精度并关联了尺度值的特征点。
• SIFT算法
  • 检测原理 ：SIFT同样将特征检测为图像和尺度空间中的局部最大值，但使用拉普拉斯滤波器响应而非Hessian行列式。拉普拉斯算子通过高斯差分滤波器在不同尺度（即不断增大的σ值）下计算。为提高效率，每次σ值翻倍时，图像大小缩小一半。金字塔的每一层对应一个八度，每个尺度是一层，通常每个八度有三层。
  • 代码实现 </