当前位置：首页 > news >正文

SIFT特征点检测

news 来源：原创 2025/5/1 5:29:25

刚看完了SIFT特征点检测的原理，阅读的是两篇csdn博客，一个全面和一个最全面，不得不说，你俩写的都很全面，这么用心奉献知识的博主是全人类的财富。

现在用我这张笨拙的嘴先说一下我理解的流程

首先先将图像扩大一倍，David Lowe 使用了 双三次插值（Bicubic Interpolation） 来将原图像扩大一倍。

用不同尺度的高斯核对这个扩大一倍的图像做平滑操作。将第1组倒数第三层图像作比例因子为2的降采样（隔点采样）（这里取倒数第三层可能因为倒数第三层能够检测到足够多的特征点，更适合进行下采样）

SIFT算法的目标是构建一个尺度空间，用于检测尺度不变的特征点。尺度空间通常由多个组（octave）和多个层（scale level）组成。每个组包含一系列逐渐平滑的图像，每个层对应于不同的尺度。
组（Octave）：每个组的图像分辨率不同，通常通过降采样实现。
层（Scale Level）：每个组内的图像通过高斯平滑实现不同尺度的表示。

然后将同一组的不同层的图像做差分，得到高斯差分金字塔（DOG）。特征点是由DOG空间的局部极值点组成的。为了寻找DoG函数的极值点，每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小，在高斯差分金字塔中寻找极值点，除了考虑x，y方向的点，还要考虑σ（尺度）方向的点，所以判断一个像素点是否为极值点，要与周围的26个点（一组有六个层的话就生成五个差分图像，在中间三层中寻找极值点，9*2+8=26）进行比较，找到极值点。

局部极大值或极小值点代表了图像中的显著特征，如角点、边缘等。这些特征点在不同尺度下具有稳定的几何和强度特性，因此可以用于图像的匹配和识别。

注： ① 如果高斯差分金字塔每组有3层，则只能在中间1层图像寻找极值点，两端的图像不连续，没有极值点.

② 如果高斯差分金字塔每组有5层，则只能在中间3层图像寻找极值点.

在这里插入图片描述

DoG图像中的局部极大值或极小值点。这些点是通过离散采样得到的，可能存在一定的误差，泰勒展开式可以将DoG函数在特征点附近展开为一个二次多项式，从而得到特征点的精确位置。

然后
1.在关键点周围的一个邻域内（通常是 15σ 的范围），计算每个像素的梯度方向和大小。
2.将梯度方向分成若干个方向区间（通常为36个方向，每10度一个区间），统计每个方向的梯度大小总和。选择梯度方向直方图中的最大值对应的方向作为关键点的主方向。
3.将关键点邻域旋转，使得主方向指向水平方向（通常是x轴方向）。这样，即使图像本身旋转，描述子仍然保持一致。

4.划分子区域
将关键点邻域划分为 4×4 的网格，每个网格对应一个子区域。通常以关键点为中心，取一个 16σ×16σ 的邻域。
子区域大小：每个子区域的大小为 4σ×4σ。
4.1 统计梯度方向直方图
在每个子区域内，计算每个像素的梯度方向和大小。
4.2 将梯度方向分成8个方向区间（每45度一个区间），统计每个方向的梯度大小总和。每个子区域生成一个8维的梯度方向直方图。
4.3 生成描述子
将 4×4 的子区域的梯度方向直方图合并，得到一个 4×4×8=128 维的特征向量。
5. 归一化：为了增强描述子的鲁棒性，对特征向量进行归一化处理。
第一次归一化：将特征向量的长度归一化到1。
5.1 截断：将特征向量中大于0.2的值截断为0.2，以减少光照变化和边缘效应的影响。
5.2 第二次归一化：再次将截断后的特征向量归一化到长度为1。