SIFT算法入门
SIFT特征匹配技术讲义1
导言：
SIFT特征匹配算法是目前国内外特征点匹配研究领域的热点与难点，其匹配能力较强，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，甚至在某种程度上对任意角度拍摄的图像也具备较为稳定的特征匹配能力。该算法目前外文资料较多，但中文方面的介绍较少。为此我撰写了这篇文档，以帮助国内的研究学者尽快入门，以最快的速度去体验SIFT算法的魅力！ 作者：山东大学信息科学与工程学院 赵辉 bugzhao@sdu.edu.cn www.wendangwang.com
5.1 宽基线特征匹配概述
宽基线条件下点特征匹配的首要任务就是提取稳定的特征，并进行描述。这里稳定一词的含义指的是希望该特征能对旋转、尺度缩放、仿射变换、视角变化、光照变化等图像变化因素保持一定的不变性，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。
对图像变化保持稳定的特征描述符称为不变量，比如对图像的旋转保持稳定的不变量称为旋转不变量(Rotation Invariant)，对尺度缩放保持稳定的不变量则称为尺度不变量(Scale Invariant)。 特征描述符(Featrue Descriptors)指的是检测图像的局部特征（比如边缘、角点、轮廓等），然后根据匹配目标的需要进行特征的组合、变换，以形成易于匹配、稳定性好的特征向量，从而把图像匹配问题转化为特征的匹配问题，进而将特征的匹配问题转化为特征空间特征向量的聚类问题[51]。 宽基线条件下的点特征匹配一般包括下面四个步骤[30]：
1.) 特征点检测。这些特征点一般是灰度变化的局部极值点，含有显著的结构性信息，甚至这些
点也可以没有实际的直观视觉意义，但却在某种角度、某个尺度上含有丰富的易于匹配的信息。
2.) 特征点描述，即建立特征向量。这是各匹配算法主要的不同所在。特征空间的选择决定了图像的哪些特性参与匹配，哪些特性将被忽略。特征点的特征描述符应是不变量，以确保最低限度的受摄像机的运动或光照变化等因素的影响。选择合理的特征空间可以降低各类图像变化因素对匹配算法速度、稳健性的影响。
3.) 进行特征匹配以获得候选匹配点。这一步根据特征向量的相似性来进行匹配，一般采用各种1 本讲义主要改写于本人毕业论文中关于SIFT的讨论章节。推荐参考图书：《Visual C++/Matlab图像处理与识别实用案例精选》
你可能喜欢
- sift算法
- 算法分析
- 算法的介绍
- 遗传算法应用实例
- 算法基础
- 遗传算法matlab代码
- sift算法简介5页
- sift算法—C实现51页
- sift算法介绍3页
- 2009年sift算法文章10页
- sift算法20页
- sift算法14页
- 算法分析与导论37页
- 算法分析与导论27页
- 算法分析与设计28页
- 计算机算法设计与分析实验指导书8页
- 3种聚类算法性能比较分析2页
- seo算法分析1页
- 傅里叶变换FFT算法的介绍及其在微机继电保护中的应用 陆志强19页
- 第三章 数字PID控制算法的介绍40页
- KMP算法的介绍3页
- DES算法的介绍和实现29页
- SIFT算法的介绍和应用5页
- 关于TITAN软件雷暴识别追踪算法的介绍6页
