新建
上传
首页
助手
最?/div>
资料?/div>
工具

                      SIFT

特征点匹配算?/p>

 

 

基于

SIFT

方法的图像特征匹配可分为特征提取和特征匹配两个部分,

可细化分为五个部分:

 

?/p>

 

尺度空间极值检测(

Scale-space extrema detection

?/p>

?/p>

 

?/p>

 

精确关键点定位(

Keypoint localization

?/p>

 

?/p>

 

关键点主方向分配?/p>

Orientation assignment

?/p>

 

?/p>

 

关键点描述子生成?/p>

Keypoint descriptor generation

?/p>

 

?/p>

 

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

Comparing 

the 

Euclidean 

distance 

of 

the 

descriptors for matching

?/p>

 

 

1.1 

尺度空间极值检?/p>

 

特征关键点的性质之一就是对于尺度的变化保持不变?/p>

。因此我们所要寻找的特征?/p>

必须具备的性质之一?/p>

就是在不同尺度下都能被检测出来?/p>

要达到这个目的,

我们可以在尺

度空间内寻找某种稳定不变的特性?/p>

 

Koenderink

?/p>

Lindeberg

已经证明,变换到尺度空间唯一的核函数是高斯函数。因?/p>

一个图像的尺度空间定义为:

(

,

,

)

L

x

y

?/p>

,是由可变尺度的高斯函数

(

,

,

)

G

x

y

?/p>

与输入图?

(

,

)

I

x

y

卷积得到,即?/p>

 

)

,

(

)

,

,

(

)

,

,

(

y

x

I

y

x

G

y

x

L

?/p>

?/p>

?/p>

?/p>

                 

?/p>

1.1

?/p>

 

其中?/p>

2

2

2

2

/

)

(

2

2

1

)

,

,

(

?/p>



?/p>

y

x

e

y

x

G

?/p>

?/p>

?

 

在实际应用中,为了能相对高效地计算出关键点的位置,建议使用的?/p>

差分高斯

函数

?/p>

difference of Gaussian

?/p>

(

,

,

)

D

x

y

?/p>

。其定义如下?/p>

 

)

,

,

(

)

,

,

(

)

,

(

))

,

,

(

)

,

,

(

(

)

,

,

(

?/p>

?/p>

?/p>

?/p>

?/p>

y

x

L

k

y

x

L

y

x

I

y

x

G

k

y

x

G

y

x

D

?/p>

?/p>

?/p>

?/p>

?/p>

             

?/p>

1.2

?/p>

 

如上式,

D

即是两个相邻的尺度的差(两个相邻的尺度在尺度上相差一个相乘系?/p>

k

?/p>

?/p>

 

Ͼλ
新建
上传
首页
助手
最?/div>
资料?/div>
工具

                      SIFT

特征点匹配算?/p>

 

 

基于

SIFT

方法的图像特征匹配可分为特征提取和特征匹配两个部分,

可细化分为五个部分:

 

?/p>

 

尺度空间极值检测(

Scale-space extrema detection

?/p>

?/p>

 

?/p>

 

精确关键点定位(

Keypoint localization

?/p>

 

?/p>

 

关键点主方向分配?/p>

Orientation assignment

?/p>

 

?/p>

 

关键点描述子生成?/p>

Keypoint descriptor generation

?/p>

 

?/p>

 

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

Comparing 

the 

Euclidean 

distance 

of 

the 

descriptors for matching

?/p>

 

 

1.1 

尺度空间极值检?/p>

 

特征关键点的性质之一就是对于尺度的变化保持不变?/p>

。因此我们所要寻找的特征?/p>

必须具备的性质之一?/p>

就是在不同尺度下都能被检测出来?/p>

要达到这个目的,

我们可以在尺

度空间内寻找某种稳定不变的特性?/p>

 

Koenderink

?/p>

Lindeberg

已经证明,变换到尺度空间唯一的核函数是高斯函数。因?/p>

一个图像的尺度空间定义为:

(

,

,

)

L

x

y

?/p>

,是由可变尺度的高斯函数

(

,

,

)

G

x

y

?/p>

与输入图?

(

,

)

I

x

y

卷积得到,即?/p>

 

)

,

(

)

,

,

(

)

,

,

(

y

x

I

y

x

G

y

x

L

?/p>

?/p>

?/p>

?/p>

                 

?/p>

1.1

?/p>

 

其中?/p>

2

2

2

2

/

)

(

2

2

1

)

,

,

(

?/p>



?/p>

y

x

e

y

x

G

?/p>

?/p>

?

 

在实际应用中,为了能相对高效地计算出关键点的位置,建议使用的?/p>

差分高斯

函数

?/p>

difference of Gaussian

?/p>

(

,

,

)

D

x

y

?/p>

。其定义如下?/p>

 

)

,

,

(

)

,

,

(

)

,

(

))

,

,

(

)

,

,

(

(

)

,

,

(

?/p>

?/p>

?/p>

?/p>

?/p>

y

x

L

k

y

x

L

y

x

I

y

x

G

k

y

x

G

y

x

D

?/p>

?/p>

?/p>

?/p>

?/p>

             

?/p>

1.2

?/p>

 

如上式,

D

即是两个相邻的尺度的差(两个相邻的尺度在尺度上相差一个相乘系?/p>

k

?/p>

?/p>

 

">
新建
上传
首页
助手
最?/div>
资料?/div>
工具

                      SIFT

特征点匹配算?/p>

 

 

基于

SIFT

方法的图像特征匹配可分为特征提取和特征匹配两个部分,

可细化分为五个部分:

 

?/p>

 

尺度空间极值检测(

Scale-space extrema detection

?/p>

?/p>

 

?/p>

 

精确关键点定位(

Keypoint localization

?/p>

 

?/p>

 

关键点主方向分配?/p>

Orientation assignment

?/p>

 

?/p>

 

关键点描述子生成?/p>

Keypoint descriptor generation

?/p>

 

?/p>

 

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

Comparing 

the 

Euclidean 

distance 

of 

the 

descriptors for matching

?/p>

 

 

1.1 

尺度空间极值检?/p>

 

特征关键点的性质之一就是对于尺度的变化保持不变?/p>

。因此我们所要寻找的特征?/p>

必须具备的性质之一?/p>

就是在不同尺度下都能被检测出来?/p>

要达到这个目的,

我们可以在尺

度空间内寻找某种稳定不变的特性?/p>

 

Koenderink

?/p>

Lindeberg

已经证明,变换到尺度空间唯一的核函数是高斯函数。因?/p>

一个图像的尺度空间定义为:

(

,

,

)

L

x

y

?/p>

,是由可变尺度的高斯函数

(

,

,

)

G

x

y

?/p>

与输入图?

(

,

)

I

x

y

卷积得到,即?/p>

 

)

,

(

)

,

,

(

)

,

,

(

y

x

I

y

x

G

y

x

L

?/p>

?/p>

?/p>

?/p>

                 

?/p>

1.1

?/p>

 

其中?/p>

2

2

2

2

/

)

(

2

2

1

)

,

,

(

?/p>



?/p>

y

x

e

y

x

G

?/p>

?/p>

?

 

在实际应用中,为了能相对高效地计算出关键点的位置,建议使用的?/p>

差分高斯

函数

?/p>

difference of Gaussian

?/p>

(

,

,

)

D

x

y

?/p>

。其定义如下?/p>

 

)

,

,

(

)

,

,

(

)

,

(

))

,

,

(

)

,

,

(

(

)

,

,

(

?/p>

?/p>

?/p>

?/p>

?/p>

y

x

L

k

y

x

L

y

x

I

y

x

G

k

y

x

G

y

x

D

?/p>

?/p>

?/p>

?/p>

?/p>

             

?/p>

1.2

?/p>

 

如上式,

D

即是两个相邻的尺度的差(两个相邻的尺度在尺度上相差一个相乘系?/p>

k

?/p>

?/p>

 

Ͼλ">
Ͼλ
Ŀ

SIFT特征点提取与匹配算法 - 百度文库
新建
上传
首页
助手
最?/div>
资料?/div>
工具

                      SIFT

特征点匹配算?/p>

 

 

基于

SIFT

方法的图像特征匹配可分为特征提取和特征匹配两个部分,

可细化分为五个部分:

 

?/p>

 

尺度空间极值检测(

Scale-space extrema detection

?/p>

?/p>

 

?/p>

 

精确关键点定位(

Keypoint localization

?/p>

 

?/p>

 

关键点主方向分配?/p>

Orientation assignment

?/p>

 

?/p>

 

关键点描述子生成?/p>

Keypoint descriptor generation

?/p>

 

?/p>

 

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

?/p>

Comparing 

the 

Euclidean 

distance 

of 

the 

descriptors for matching

?/p>

 

 

1.1 

尺度空间极值检?/p>

 

特征关键点的性质之一就是对于尺度的变化保持不变?/p>

。因此我们所要寻找的特征?/p>

必须具备的性质之一?/p>

就是在不同尺度下都能被检测出来?/p>

要达到这个目的,

我们可以在尺

度空间内寻找某种稳定不变的特性?/p>

 

Koenderink

?/p>

Lindeberg

已经证明,变换到尺度空间唯一的核函数是高斯函数。因?/p>

一个图像的尺度空间定义为:

(

,

,

)

L

x

y

?/p>

,是由可变尺度的高斯函数

(

,

,

)

G

x

y

?/p>

与输入图?

(

,

)

I

x

y

卷积得到,即?/p>

 

)

,

(

)

,

,

(

)

,

,

(

y

x

I

y

x

G

y

x

L

?/p>

?/p>

?/p>

?/p>

                 

?/p>

1.1

?/p>

 

其中?/p>

2

2

2

2

/

)

(

2

2

1

)

,

,

(

?/p>



?/p>

y

x

e

y

x

G

?/p>

?/p>

?

 

在实际应用中,为了能相对高效地计算出关键点的位置,建议使用的?/p>

差分高斯

函数

?/p>

difference of Gaussian

?/p>

(

,

,

)

D

x

y

?/p>

。其定义如下?/p>

 

)

,

,

(

)

,

,

(

)

,

(

))

,

,

(

)

,

,

(

(

)

,

,

(

?/p>

?/p>

?/p>

?/p>

?/p>

y

x

L

k

y

x

L

y

x

I

y

x

G

k

y

x

G

y

x

D

?/p>

?/p>

?/p>

?/p>

?/p>

             

?/p>

1.2

?/p>

 

如上式,

D

即是两个相邻的尺度的差(两个相邻的尺度在尺度上相差一个相乘系?/p>

k

?/p>

?/p>

 



ļ׺.doc޸Ϊ.docĶ

  • 2015ִҵҩʦ⡶ܿ20155
  • ʡרߵѧ⣨⣩
  • ͨѧĩϰ ֪ʶϵҪ
  • ·̼ʵʩϸ
  • ̹ϵ2014-2015ѧ꽱ѧʾ
  • 2016ԺĿ뱨
  • 2011֤ԱԹóʵģ⼰()
  • --ӢļƵʻ()
  • ﻯѧĩ⼰
  • ҽԺԱֲ

վ

԰ Ͼλ
ϵͷ779662525#qq.com(#滻Ϊ@)