SIFT特征

SIFT特征

SIFT描述算子(Scale Invariant Feature Transform)是于1999年由David G.Lowe提出。可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有良好的不变性和很强的匹配能力。SIFT算法是一种提取局部特征的算法，也是一种模式识别技术，其基本思想是在尺度空间寻找极值点，提取位置，尺度，旋转不变量，它主要包括两个阶段，一个是Sift特征的生成，即从多幅图像中提取对尺度缩放、旋转、亮度变化无关的特征向量；第二阶段是Sift特征向量的匹配。
SIFT特征是对局部特征进行检测的算法,该算法通过匹配计算出的图中的特征点与有关尺度空间规模和方向的描述子得到的特征,取得了很好的效果。它不仅具有尺度不变性的特点,能够对图像进行很好的描述,并且即使旋转角度发生了改变,图像亮度发生变化或者拍摄角度发生改变都不会影响最后的检测效果,具有很好的鲁椿性。
SIFT算法的主要特点：
a)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，而对物体运动、遮 挡、噪声等因素也保持较好的可匹配性，从而可以实现差异较大的两幅图像之间 特征的匹配。
b)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，比原有的harris点匹配方式具有更高的匹配准确度。
c) 多量性，即使少数的几个物体也可以产生大量SIFT特征向量。
d) 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求。
e) 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特征算法分为以下几个步骤:
（1）对尺度空间进行构建。当于一个初始化的操作,它的目的是对图像数据中的多尺度特征进行模拟。
（2）图像金字塔的建立。对于一幅图像I来说,子八度(octave)就是在不同尺度建立起来的图像,它的建立是为了图像尺度(scale)的不变性,也就是说在图像的任何尺度上都存在相对应的特征点。每下一个子八度都是对上一个子八度进行降采样的结果