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>