计算机视觉-SIFT
一.SIFT(Scale Invariant Feature Transform) 算法
1.图像尺度空间
- 要让计算机能够对物体在不同尺度下有一个统一的认知,就要需要考虑图像在不同尺度(远近,大小,颜色区别等)下存在的特点.
- 尺度空间的获取通常使用高斯模糊来实现.I(x,y)表示一幅图像,G(x,y,sigma)为高斯函数,对图像做高斯滤波.
- 选择不同大小的矩阵,做滤波;sigma主要控制矩阵中值的大小,不同的sigma的高斯函数决定了对图像的平滑程度,越大的sigma对应的图像月模糊;
2.多分辨率金字塔
- 对中不同大小的图像都做出多个高斯滤波;
3.高斯差分金字塔(DOG)
- 提取有价值的信息,可以对相同大小(一组)的图像作差(相邻间图像作差),可以消除相同的信息,提取出不同的信息(特征);
- 对结果图像组中的选择差分结果较大值,是比较重要的特征;
4.DoG空间极值检测
- 选取一个点,在本图像中和其8邻域点进行比较,还要和去相邻的上一幅图和下一幅图的8邻域内的所有点作比较,来确定该点的大小(总共26个点进行比较).
5.关键点的精确定位
- 这些候选关键点是 DOG空间的局部极值点,而且这些极值点均为离散的点,精确定位极值点的一种方法是:对尺度空间DOG函数进行曲线拟合,计算其极值点,从而实现关键点的精确定位;
- 对离散的点进行求导,可以利用原始函数求导公式;
- 对于图像数据,是一个三维的数据,用同样的方法来计算极值;
6.消除边界响应
7. 特征点的主方向
- 每个特征点可以得到三个信息(x,y,sigma,seta),即位置,尺度,和方向.具有多个方向的关键点可以被复制成多分,然后将方向值分别赋值给复制后的特征点,一个特征点就产生了多个坐标,尺度相等,但是方向不同的特征点;
8.生成特征描述
方向和大小;
梯度直方图;
在完成关键点的梯度计算后,使用直方图统计邻域内像素的梯度和方向(主方向);
为了保证特征矢量的旋转不变性,要以特征点为中心,在附近邻域内将坐标轴旋转seta角度,即将坐标轴旋转为特征点的主方向;
分为四个区域,进行统计;
计算机视觉-SIFT相关推荐
- Python计算机视觉——SIFT特征
Python计算机视觉--SIFT特征 文章目录 Python计算机视觉--SIFT特征 写在前面 1 SIFT特征算法步骤 1.1 尺度空间的极值检测 1.2 特征点定位 1.3 特征方向赋值 1. ...
- (三)计算机视觉 --SIFT特征匹配、地理标记图像匹配及RANSAC图像拼接
目录 一.sift特征检测概述 1.1特征点 1.2sift特征检测 二.sift特征提取与匹配 2.1特征提取并展示 2.2对两张图片进行特征匹配计算 2.3给定一张图片,输出与其匹配最多的三张图片 ...
- 计算机视觉——SIFT描述子
文章目录 一.SIFT算法 (1)简介 (2)特点 (3)步骤 二.SIFT算法详解 (1)尺度空间 ①概念 ②表示 (2)高斯金字塔 ①概念 ②表示 (3)DOG空间极值检测 ①DOG函数 ②DoG ...
- Python计算机视觉——SIFT描述子
目录 1 SIFT描述子 1.1SIFT描述子简介 1.2 SIFT算法实现步骤简述 1.3 SIFT算法可以解决的问题 2 关键点检测 2.1SIFT要查找的关键点 2.2关键点检测的相关概念 2. ...
- Python计算机视觉 sift和Harris特征匹配处理对比
一.SIFT(尺度不变特征变换)原理分析 在过去的十年间,最成功的图像局部描述子之一是尺度不变特征变换(SIFT),它是由David Lowe发明的.SIFT是用于图像处理领域的一种描述,SIFT特征 ...
- 计算机视觉——SIFT特征提取与检索
目录 一.SIFT算法 1.1算法介绍 1.2算法特点 1.3特征检测 1.4特征匹配 二.SIFT特征提取与检索实验 2.1实验要求 2.2实验准备 2.3实验过程 2.3.1图片的SIFT特征提取 ...
- 计算机视觉——SIFT特征提取与检索+匹配地理标记图像+RANSAC算法
SIFT特征提取与检索 1. SIFT算法 1.1 基本概念 1.2 SIFT算法基本原理 1.2.1 特征点 1.2.2 尺度空间 1.2.3 高斯函数 1.2.4 高斯模糊 1.2.5 高斯金字塔 ...
- 计算机视觉 ——SIFT算子
SIFT 四个主要步骤 尺度空间的极值检测 搜索所有尺度空间上的图像,通过高斯微分函数来识别潜在的对尺度和选择不变的兴趣点. 特征点定位 在每个候选的位置上,通过一个拟合精细模型来确定位置尺度,关键点 ...
- 计算机视觉-sift(2)代码理解
之前结合不同人的资料理解了sift的原理,这里通过opencv中的代码来加深对sift的实现的理解. 使得能够从原理性理解到源码级的理解.不过该博文还是大量基于<赵春江, opencv2.4.9 ...
- 计算机视觉——Bag Of features图像检索
计算机视觉--Bag Of features图像检索 原理 什么是图像检索 什么是Bag Of Word模型 什么是sift特征提取 什么是视觉词典 什么是TF-IDF 基于BOW的图像检索步骤 结果 ...
最新文章
- centos .php 源码,CentOS 源码安装PHP
- Charles模拟403/404(Web)
- Python菜鸟入门:day18编程学习
- String StringBuffer StringBuilder的异同
- 编译 easyMule-VeryCD
- A88xm-plus 主板采用Clover实现 m2 固态硬盘启动
- vtk读取.dcm文件(医学影像文件)
- crashdumpandroid_Android Stability - crash 和 ramdump
- 转载的计算机网络课后答案(部分)
- [源码和文档分享]基于QT的英文文献的编辑与检索系统的实现
- Python骚操作:Python控制Excel实现自动化办公
- html中怎样插入视频博客园,关于博客园内嵌入bilibili视频
- 01-MySQL 创建数据库
- 万字好文!Redis 到底是怎么实现“附近的人”这个功能的呢?
- IEEE浮点数表示--规格化/非规格化/无穷大/NaN
- 气象NC扇形经纬网格转换成前端要求的等经纬网格
- 新产品开发的项目管理
- 什么是双线机房??双线是怎么实现的!!!
- python ajax爬虫 --36Kr为例
- java excel导入兼容性,使用poi导入Excel文件兼容性问题
热门文章
- LeetCode 624. 数组列表中的最大距离
- 程序员面试金典 - 面试题 16.19. 水域大小(BFS/DFS)
- 程序员面试金典 - 面试题 16.11. 跳水板(数学)
- LeetCode 1288. 删除被覆盖区间(lambda排序)
- 前端demo:实现背景半透明,div与文本正常显示
- python面试总结(二)列表去重与单例
- SparkStreaming基础
- MySQL - cast()函数
- 不卷学术了,这次卷一波NLP实战落地经验
- YUI事件体系之Y.EventTarget