算法特征提取演示文稿

算法特征提取演示文稿目前一頁\總數(shù)四十頁\編于七點（優(yōu)選）算法特征提取目前二頁\總數(shù)四十頁\編于七點sift算法概述：尺度不變特征轉換SIFT（Scale-invariantfeaturetransform）是一種檢測局部特征的算法，該算法通過求一幅圖中的特征點（interestpoints,orcornerpoints）及其有關scale和orientation的描述子得到特征并進行圖像特征點匹配，獲得了良好效果。目前三頁\總數(shù)四十頁\編于七點SIFT算法實質SIFT算法的實質是在不同的尺度空間上查找關鍵點(特征點)，并計算出關鍵點的方向。SIFT所查找到的關鍵點是一些十分突出，不會因光照，仿射變換和噪音等因素而變化的點，如角點、邊緣點、暗區(qū)的亮點及亮區(qū)的暗點等。目前四頁\總數(shù)四十頁\編于七點應用范圍物體辨識、機器人地圖感知與導航、影像縫合、3D模型建立、手勢辨識、影像追蹤和動作比對。目前五頁\總數(shù)四十頁\編于七點局部影像特征的描述與偵測可以幫助辨識物體，SIFT特征是基于物體上的一些局部外觀的興趣點而與影像的大小和旋轉無關。對于光線、噪聲、些微視角改變的容忍度也相當高?；谶@些特性，它們是高度顯著而且相對容易擷取，在母數(shù)龐大的特征數(shù)據(jù)庫中，很容易辨識物體而且鮮有誤認。目前六頁\總數(shù)四十頁\編于七點使用SIFT特征描述對于部分物體遮蔽的偵測率也相當高，甚至只需要3個以上的SIFT物體特征就足以計算出位置與方位。在現(xiàn)今的電腦硬件速度下和小型的特征數(shù)據(jù)庫條件下，辨識速度可接近即時運算。SIFT特征的信息量大，適合在海量數(shù)據(jù)庫中快速準確匹配。目前七頁\總數(shù)四十頁\編于七點SIFT算法的特點1.SIFT特征是圖像的局部特征，其對旋轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性；2.獨特性（Distinctiveness）好，信息量豐富，適用于在海量特征數(shù)據(jù)庫中進行快速、準確的匹配；目前八頁\總數(shù)四十頁\編于七點

SIFT算法的特點

3.多量性，即使少數(shù)的幾個物體也可以產生大量的SIFT特征向量；4.高速性，經優(yōu)化的SIFT匹配算法甚至可以達到實時的要求；5.可擴展性，可以很方便的與其他形式的特征向量進行聯(lián)合。目前九頁\總數(shù)四十頁\編于七點SIFT算法可以解決的問題：目標的自身狀態(tài)、場景所處的環(huán)境和成像器材的成像特性等因素影響圖像配準/目標識別跟蹤的性能。而SIFT算法在一定程度上可解決：1.目標的旋轉、縮放、平移（RST）2.圖像仿射/投影變換（視點viewpoint）目前十頁\總數(shù)四十頁\編于七點

SIFT算法可以解決的問題：

3.光照影響（illumination）4.目標遮擋（occlusion）5.雜物場景（clutter）6.噪聲目前十一頁\總數(shù)四十頁\編于七點SIFT算法步驟1.尺度空間極值檢測：搜索所有尺度上的圖像位置。通過高斯微分函數(shù)來識別潛在的對于尺度和旋轉不變的興趣點。2.關鍵點定位：在每個候選的位置上，通過一個擬合精細的模型來確定位置和尺度。關鍵點的選擇依據(jù)于它們的穩(wěn)定程度。目前十二頁\總數(shù)四十頁\編于七點

SIFT算法步驟

3.方向確定：基于圖像局部的梯度方向，分配給每個關鍵點位置一個或多個方向。所有后面的對圖像數(shù)據(jù)的操作都相對于關鍵點的方向、尺度和位置進行變換，從而提供對于這些變換的不變性。目前十三頁\總數(shù)四十頁\編于七點

SIFT算法步驟

4.關鍵點描述：在每個關鍵點周圍的鄰域內，在選定的尺度上測量圖像局部的梯度。這些梯度被變換成一種表示，這種表示允許比較大的局部形狀的變形和光照變化。目前十四頁\總數(shù)四十頁\編于七點SIFT算法是在不同的尺度空間上查找關鍵點，而尺度空間的獲取需要使用高斯模糊來實現(xiàn)，Lindeberg等人已證明高斯卷積核是實現(xiàn)尺度變換的唯一變換核，并且是唯一的線性核。目前十五頁\總數(shù)四十頁\編于七點一、尺度空間極值檢測尺度空間使用高斯金字塔表示。TonyLindeberg指出尺度規(guī)范化的LoG(LaplacionofGaussian)算子具有真正的尺度不變性，Lowe使用高斯差分金字塔近似LoG算子，在尺度空間檢測穩(wěn)定的關鍵點。目前十六頁\總數(shù)四十頁\編于七點尺度空間(scalespace)在計算機視覺鄰域使用廣泛。尺度空間理論的基本思想是：在圖像信息處理模型中引入一個被視為尺度的參數(shù)，通過連續(xù)變化尺度參數(shù)獲得多尺度下的尺度空間表示序列，對這些序列進行尺度空間主輪廓的提取，并以該主輪廓作為一種特征向量，實現(xiàn)邊緣、角點檢測和不同分辨率上的特征提取等。目前十七頁\總數(shù)四十頁\編于七點目前十八頁\總數(shù)四十頁\編于七點尺度空間滿足視覺不變性。一個圖像的尺度空間，定義為一個變化尺度的高斯函數(shù)與原圖像的卷積

其中，*表示卷積運算，σ是尺度空間因子，值越小表示圖像被平滑的越少，相應的尺度也就越小。大尺度對應于圖像的概貌特征，小尺度對應于圖像的細節(jié)特征。目前十九頁\總數(shù)四十頁\編于七點一、尺度空間極值檢測

高斯金字塔的構建尺度空間在實現(xiàn)時使用高斯金字塔表示，高斯金字塔的構建分為兩部分：1.對圖像做不同尺度的高斯模糊；2.對圖像做降采樣(隔點采樣)。目前二十頁\總數(shù)四十頁\編于七點目前二十一頁\總數(shù)四十頁\編于七點一、尺度空間極值檢測

高斯差分金字塔2002年Mikolajczyk在詳細的實驗比較中發(fā)現(xiàn)尺度歸一化的高斯拉普拉斯函數(shù)的極大值和極小值同其它的特征提取函數(shù)，能夠產生最穩(wěn)定的圖像特征。而Lindeberg早在1994年就發(fā)現(xiàn)高斯差分函數(shù)（DifferenceofGaussian，簡稱DOG算子）與尺度歸一化的高斯拉普拉斯函數(shù)非常近似。目前二十二頁\總數(shù)四十頁\編于七點Lowe使用更高效的高斯差分算子代替拉普拉斯算子進行極值檢測。在實際計算時，使用高斯金字塔每組中相鄰上下兩層圖像相減，得到高斯差分圖像，如下圖所示，進行極值檢測。目前二十三頁\總數(shù)四十頁\編于七點高斯差分金字塔的生成目前二十四頁\總數(shù)四十頁\編于七點空間極值點檢測(關鍵點的初步探查)關鍵點是由DOG空間的局部極值點組成的，關鍵點的初步探查是通過同一組內各DoG相鄰兩層圖像之間比較完成的。為了尋找DoG函數(shù)的極值點，每一個像素點要和它所有的相鄰點比較，看其是否比它的圖像域和尺度域的相鄰點大或者小。如圖3.4所示，中間的檢測點和它同尺度的8個相鄰點和上下相鄰尺度對應的9×2個點共26個點比較，以確保在尺度空間和二維圖像空間都檢測到極值點。目前二十五頁\總數(shù)四十頁\編于七點目前二十六頁\總數(shù)四十頁\編于七點二、關鍵點定位通過擬合三維二次函數(shù)來精確確定關鍵點的位置和尺度，同時去除低對比度的關鍵點和不穩(wěn)定的邊緣響應點(因為DoG算子會產生較強的邊緣響應)，以增強匹配穩(wěn)定性、提高抗噪聲能力。目前二十七頁\總數(shù)四十頁\編于七點2.1關鍵點的精確定位離散空間的極值點并不是真正的極值點，圖4.1顯示了二維函數(shù)離散空間得到的極值點與連續(xù)空間極值點的差別。利用已知的離散空間點插值得到的連續(xù)空間極值點的方法叫做子像素插值（Sub-pixelInterpolation）。目前二十八頁\總數(shù)四十頁\編于七點離散空間與連續(xù)空間極值點的差別為了提高關鍵點的穩(wěn)定性，需要對尺度空間DoG函數(shù)進行曲線擬合。目前二十九頁\總數(shù)四十頁\編于七點2.2消除邊緣響應一個定義不好的高斯差分算子的極值在橫跨邊緣的地方有較大的主曲率，而在垂直邊緣的方向有較小的主曲率。DOG算子會產生較強的邊緣響應，需要剔除不穩(wěn)定的邊緣響應點。目前三十頁\總數(shù)四十頁\編于七點邊緣消除響應前后的的關鍵點目前三十一頁\總數(shù)四十頁\編于七點三、關鍵點方向分配為了使描述符具有旋轉不變性，需要利用圖像的局部特征為給每一個關鍵點分配一個基準方向。使用圖像梯度的方法求取局部結構的穩(wěn)定方向。對于在DOG金字塔中檢測出的關鍵點點，采集其所在高斯金字塔圖像3σ鄰域窗口內像素的梯度和方向分布特征。目前三十二頁\總數(shù)四十頁\編于七點在完成關鍵點的梯度計算后，使用直方圖統(tǒng)計鄰域內像素的梯度和方向。梯度直方圖將0~360度的方向范圍分為36個柱(bins)，其中每柱10度。如下圖所示，直方圖的峰值方向代表了關鍵點的主方向，(為簡化，圖中只畫了八個方向的直方圖)。目前三十三頁\總數(shù)四十頁\編于七點關鍵點方向直方圖目前三十四頁\總數(shù)四十頁\編于七點檢測結果如圖所示：sift特征將檢測出的含有位置、尺度和方向的關鍵點即是該圖像的SIFT特征點目前三十五頁\總數(shù)四十頁\編于七點四、關鍵點特征描述通過以上步驟，對于每一個關鍵點，擁有三個信息：位置、尺度以及方向。接下來就是為每個關鍵點建立一個描述符，用一組向量將這個關鍵點描述出來，使其不隨各種變化而改變，比如光照變化、視角變化等等。這個描述子不但包括關鍵點，也包含關鍵點周圍對其有貢獻的像素點，并且描述符應該有較高的獨特性，以便于提高特征點正確匹配的概率。目前三十六頁\總數(shù)四十頁\編于七點根據(jù)SIFT進行Match生成了A、B兩幅圖的描述子，（分別是k1*128維和k2*128維），就將兩圖中各個scale（所有scale）的描述子進行匹配，匹配上128維即可表示兩個特征點match上了目前三十七頁\總數(shù)四十頁\編于七點當兩幅圖像的