SIFT兴趣点原理

最新推荐文章于 2023-12-28 19:13:44 发布

海Neil-828

最新推荐文章于 2023-12-28 19:13:44 发布

阅读量799

点赞数

分类专栏：计算机视觉文章标签：计算机视觉 SIFT

本文链接：https://blog.youkuaiyun.com/weixin_44037639/article/details/88626168

版权

计算机视觉专栏收录该内容

15 篇文章

订阅专栏

SIFT（尺度不变特征变换）是用于图像处理的局部特征检测算法，由David Lowe提出。它在尺度、旋转、亮度变化下保持不变性，对遮挡和噪声有较高鲁棒性。SIFT过程包括高斯模糊、尺度空间构建、空间极值点检测和关键点描述。尽管有实时性、特征点数量和边缘光滑目标处理等缺点，但因其独特性和稳定性，SIFT在物体识别、影像缝合等领域有着广泛应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在学习python来研究计算机视觉的时候，我们一定会接触到哈里斯角点和SIFT兴趣点的方法。
初学SIFT，就要研究关于SIFT的原理。
我在学习sift的时候，主要依靠了以下作者的博客
作者：zddhub
原文：https://blog.youkuaiyun.com/zddblog/article/details/7521424

作者：JiePro
原文：https://www.cnblogs.com/JiePro/p/sift_4.html

其中都很详细的介绍了SIFT的有关知识。

SIFT（尺度不变特征变换）

1、SIFT介绍

尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe在1999年所发表，2004年完善总结。

其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。

此算法有其专利，专利拥有者为英属哥伦比亚大学。

局部影像特征的描述与侦测可以帮助辨识物体，SIFT 特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用 SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。

SIFT算法的特点有：

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；
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；
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；
高速性，经优化的SIFT匹配算法甚至可以达到实时的要求；
可扩展性，可以很方便的与其他形式的特征向量进行联合。

SIFT算法可以解决的问题：

目标的自身状态、场景所处的环境和成像器材的成像特性等因素影响图像配准/目标识别跟踪的性能。而SIFT算法在一定程度上可解决：

目标的旋转、缩放、平移（RST）
图像仿射/投影变换（视点viewpoint）
光照影响（illumination）
目标遮挡（occlusion）
杂物场景（clutter）
噪声

2.1高斯模糊

SIFT算法是在不同的尺度空间上定位兴趣点，而尺度空间的获取需要使用高斯模糊来实现。
而高斯模糊有两种
1、二维高斯模糊
在这里插入图片描述
2、分离高斯模糊

2.2尺度空间

尺度空间理论的基本思想是：在图像信息处理模型中引入一个被视为尺度的参数，通过连续变化尺度参数获得多尺度下的尺度空间表示序列，对这些序列进行尺度空间主轮廓的提取，并以该主轮廓作为一种特征向量，实现边缘、角点检测和不同分辨率上的特征提取等。

高斯金字塔的构建
尺度空间在实现时使用高斯金字塔表示，高斯金字塔的构建分为两部分：

对图像做不同尺度的高斯模糊；
对图像做降采样(隔点采样)。

该图像的金字塔模型是指，将原始图像不断降阶采样，得到一系列大小不一的图像，由大到小，从下到上构成的塔状模型。原图像为金子塔的第一层，每次降采样所得到的新图像为金字塔的一层(每层一张图像)，每个金字塔共n层。金字塔的层数根据图像的原始大小和塔顶图像的大小共同决定。

2.3空间极值点

在提取特征点中，最不能忽略的的就是极值点，这可以很容易的帮助我们找到特征点。
关键点是由DOG空间的局部极值点组成的，关键点的初步探查是通过同一组内各DoG相邻两层图像之间比较完成的。为了寻找DoG函数的极值点，每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。如图3.4所示，中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。
在这里插入图片描述

2.4关键点

1、兴趣点
SIFT特征使用高斯差分函数来定位兴趣点：
D(x,y,σ)=[G(x,y,kσ)−G(x,y,σ)]∗I(x,y)=L(x,y,kσ)−L(x,y,σ)

2、描述子
描述子就是给出兴趣点的位置和尺度信息。而要实现旋转不变形，基于每一个点的周围图像的梯度方向和大小，并且引入参考方向。使用主方向描述参考方向。主方向使用方向直方图来度量。
将特征点附近邻域内(mσ(Bp+ 1)√2 x mσ(Bp+ 1)√2)图像梯度的位置和方向旋转一个方向角θ，即将原图像x轴转到与主方向相同的方向。旋转公式如下。
在这里插入图片描述