SIFT特征描述子是David G
2014-06-07 18:04
218 查看
简介
SIFT特征描述子是David G. Lowe 在2004年的ijcv会议上发表的论文中提出来的,论文名为<<Distinctive Image Featuresfrom Scale-Invariant Keypoints>>。这是一个很强大的算法,主要用于图像配准和物体识别等领域,但是其计算量相比也比较大,性价比比较高的算法包括PCA-SIFT和SURF,其中OpenCV提供了SURF算法,OpenCV2.3版本后的SIFT算法是RobHess的源码,github的项目地址是http://blogs.oregonstate.edu/hess/code/sift/
yw.cnhan.com/yyk/njhmyy/5837397710.html
yw.cnhan.com/yyk/njhmyy/5837408782.html
yw.cnhan.com/yyk/njhmyy/5837431612.html
yw.cnhan.com/yyk/njhmyy/5837453408.html
yw.cnhan.com/yyk/njhmyy/5837463044.html
yw.cnhan.com/yyk/njhmyy/5837493408.html
yw.cnhan.com/yyk/njhmyy/5837510006.html
yw.cnhan.com/yyk/njhmyy/5837536002.html
yw.cnhan.com/yyk/njhmyy/5837558630.html
yw.cnhan.com/yyk/njhmyy/5837574995.html
yw.cnhan.com/yyk/njhmyy/5837596049.html
yw.cnhan.com/yyk/njhmyy/5837738281.html
yw.cnhan.com/yyk/njhmyy/5837797915.html
yw.cnhan.com/yyk/njhmyy/5837824925.html
yw.cnhan.com/yyk/njhmyy/5837837409.html
yw.cnhan.com/yyk/njhmyy/5837881640.html
yw.cnhan.com/yyk/njhmyy/5837919612.html
yw.cnhan.com/yyk/njhmyy/5837953378.html
yw.cnhan.com/yyk/njhmyy/5837615659.html
yw.cnhan.com/yyk/njhmyy/5837638291.html
yw.cnhan.com/yyk/njhmyy/5837664386.html
yw.cnhan.com/yyk/njhmyy/5837686393.html
yw.cnhan.com/yyk/njhmyy/5837707711.html
yw.cnhan.com/yyk/njhmyy/5837774576.html
yw.cnhan.com/yyk/njhmyy/5837786214.html
yw.cnhan.com/yyk/njhmyy/5837809746.html
yw.cnhan.com/yyk/njhmyy/5837826663.html
yw.cnhan.com/yyk/njhmyy/5837847062.html
yw.cnhan.com/yyk/njhmyy/5837885979.html
yw.cnhan.com/yyk/njhmyy/5837977731.html
mingyi.daynews.com.cn/yyk/njhmyy/5842423731.html
mingyi.daynews.com.cn/yyk/njhmyy/5842443601.html
mingyi.daynews.com.cn/yyk/njhmyy/5842464375.html
mingyi.daynews.com.cn/yyk/njhmyy/5842480554.html
mingyi.daynews.com.cn/yyk/njhmyy/5842492241.html
mingyi.daynews.com.cn/yyk/njhmyy/5842516659.html
mingyi.daynews.com.cn/yyk/njhmyy/5842535022.html
mingyi.daynews.com.cn/yyk/njhmyy/5842549444.html
mingyi.daynews.com.cn/yyk/njhmyy/5842587158.html
mingyi.daynews.com.cn/yyk/njhmyy/5842611807.html
mingyi.daynews.com.cn/yyk/njhmyy/5842639318.html
mingyi.daynews.com.cn/yyk/njhmyy/5842673800.html
mingyi.daynews.com.cn/yyk/njhmyy/5842692592.html
mingyi.daynews.com.cn/yyk/njhmyy/5842712736.html
mingyi.daynews.com.cn/yyk/njhmyy/5842731152.html
mingyi.daynews.com.cn/yyk/njhmyy/5842763829.html
mingyi.daynews.com.cn/yyk/njhmyy/5842787756.html
mingyi.daynews.com.cn/yyk/njhmyy/5842806270.html
mingyi.daynews.com.cn/yyk/njhmyy/5842827058.html
mingyi.daynews.com.cn/yyk/njhmyy/5842880654.html
mingyi.daynews.com.cn/yyk/njhmyy/5842924856.html
mingyi.daynews.com.cn/yyk/njhmyy/5842940456.html
mingyi.daynews.com.cn/yyk/njhmyy/5842978214.html
mingyi.daynews.com.cn/yyk/njhmyy/5842997282.html
mingyi.daynews.com.cn/yyk/njhmyy/5843029967.html
mingyi.daynews.com.cn/yyk/njhmyy/5843041835.html
mingyi.daynews.com.cn/yyk/njhmyy/5843058991.html
mingyi.daynews.com.cn/yyk/njhmyy/5843090168.html
mingyi.daynews.com.cn/yyk/njhmyy/5843123963.html
mingyi.daynews.com.cn/yyk/njhmyy/5843137259.html
mingyi.shm.com.cn/yyk/njhmyy/51207.html
mingyi.shm.com.cn/yyk/njhmyy/51208.html
mingyi.shm.com.cn/yyk/njhmyy/51209.html
mingyi.shm.com.cn/yyk/njhmyy/51210.html
mingyi.shm.com.cn/yyk/njhmyy/51211.html
mingyi.shm.com.cn/yyk/njhmyy/51212.html
mingyi.shm.com.cn/yyk/njhmyy/51213.html
mingyi.shm.com.cn/yyk/njhmyy/51214.html
mingyi.shm.com.cn/yyk/njhmyy/51215.html
mingyi.shm.com.cn/yyk/njhmyy/51216.html
mingyi.shm.com.cn/yyk/njhmyy/51217.html
SIFT特征描述子的优点:
提取出来的特征对图像大小的变化和旋转具有不变形。
提取出来的特征对光照和3D相机拍摄视角(差不多就是仿射变换)具有部分不变性。
在空间域和频率域的局部特性非常好,降低了光照,噪声及一些其他杂乱干扰的影响。
从一幅图像中可以比较快速提取出大量的特征,并且特征是高度唯一性的,可以在很多特征多唯一识别,因此在图像拼接,物体识别中很有用。
SIFT算法的主要步骤:
尺度空间极值检测:建立高斯差分金字塔,搜索所有尺度上的极值点。
关键点定位:在每个候选的位置上,通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。
方向确定:基于图像局部的梯度方向,分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换,从而提供对于这些变换的不变性。
关键点描述:在每个关键点周围的邻域内,在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示,这种表示允许比较大的局部形状的变形和光照变化。
算法主要流程
首先创建初始图像,即通过将图像转换为32位的灰度图,然后将图像使用三次插值来方大,之后通过高斯模糊处理在此基础上进行高斯金字塔的构建以及高斯差分金字塔的构建
对图像进行极值点检测
计算特征向量的尺度
调整图像大小
计算特征的方向
计算描述子,其中包括计算二维方向直方图并转换直方图为特征描述子
对描述子进行排序
算法框架
我们先不讲理论的东西,直接看下Rob Hess写的主要代码sift.cint sift_features( IplImage* img, struct feature** feat )
{
return _sift_features( img, feat, SIFT_INTVLS, SIFT_SIGMA, SIFT_CONTR_THR,
SIFT_CURV_THR, SIFT_IMG_DBL, SIFT_DESCR_WIDTH,
SIFT_DESCR_HIST_BINS );
}
这里有很多的数据结构和变量,我先列出我们以后要接触到的数据结构
相关文章推荐
- SIFT、SURF及相关特征描述子概述
- 颜色特征描述子的SIFT/SURF
- 特征描述子——SIFT
- SIFT特征提取中用差分代替求偏导
- opencv提取SIFT特征
- SIFT与HOG特征提取
- sift特征检测及匹配
- SIFT特征提取分析
- sift图像特征提取与匹配算法代码
- SIFT特征详细描述
- sift特征匹配算法总结(转)
- SIFT特征提取分析
- SIFT和SURF特征提取分析(小结篇)
- SURF:比SIFT更快的特征提取算法
- SIFT学习--产生SIFT特征描述
- opencv 特征点提取算法 SIFT SURF ORB FAST LBP学习(一)
- SIFT特征详解
- OpenCV中feature2D学习——SURF和SIFT算子实现特征点检测
- 将OpenCV里SIFT的keypoint坐标以及描述子向量输出给MATLAB
- 利用特征点(Brief,ORB,SIFT)进行图像匹配,模板匹配