第六章影像匹配第次课

5) 可扩展性，可以很方便的与其他形式的特征向量进行联合；
第六章影像匹配第次课
3
❖SIFT算子主要步骤：
一 尺度空间的极值探测
二 关键点的精确定位
三 确定关键点的主方向
四 关键点的描述
五 寻找最临近点（匹配）
第六章影像匹配第次课
4
一 尺度空间的极值探测
尺度空间(scale space)思想最早由Lijima于 1962年提出，直到二十世纪八十年代，Witkin和 Koendernk 1984等人的奠基性工作使得尺度空间方 法逐渐得到关注和发展。
尺度空间的基本思想是：在视觉信息(图像信息) 处理模型中引入一个被视为尺度的参数，通过连续 变化尺度参数获得不同尺度下的视觉处理信息，然 后综合这些信息以深入地挖掘图像的本质特征。
第六章影像匹配第次课
5
1.1 尺度空间
第六章影像匹配第次课
6
Koenderink和Lindeberg证明：
高斯卷积核是实现尺度变换的唯一的线性核。
优点：
➢DOG算子的计算效率高； ➢高斯差分函数是比例尺归一化的”高斯－拉普拉斯 函数”(LOG算子－)的近似；
2 G G G (x,y,k k ) G (x,y,)
第六章影像匹配第次课
11
ቤተ መጻሕፍቲ ባይዱ
大量试验证明：当 22G
为最小和最大时，影像上能够产生大量、稳定的特 征点，并且特征点的数量和稳定性比其它的特征提 取算子（如Hessian算子、Harris算子）要多得多、 稳定得多。
第六章影像匹配第次课
17
D.G.Lowe通过大量试验证明：
1)当尺度空间子层数S=3时，提取的极值点 具有最好的重复性。
尺度空间子层数与极值点重复性曲线图
第六章影像匹配第次课
18
2)随着 值的增大，提取的极值点的重 复性也逐渐增大，当 =1.6时最佳。
基准尺度空间因子与极值点重复性曲线图
第六章影像匹配第次课
2 G G G (x,y,k) G (x,y,
)
当取最大和最小值 时，得到稳定的特
k
征点！！！
D ( x , y ,) ( G ( x , y , k ) G ( x , y ,) I ( x , ) y ) L ( x , y , k ) L ( x , y ,)
第六章影像匹配第次课
第六章影像匹配第次课
9
高斯卷积结果
第六章影像匹配第次课
10
1.2 DOG算子
为了有效提取稳定的关键点，Lowe提出了 利用高斯差分函数DOG (Difference Of Gaussian) 对原始影像进行卷积：
D ( x , y ,) ( G ( x , y , k ) G ( x , y ,) I ( x , ) y ) L ( x , y , k ) L ( x , y ,)
19
1.4 局部极值探测
每个采样点与它所在的同一层比例尺空间的周围8个相邻点和 相邻上、下比例尺空间中相应位置上的9x2个相邻点进行比较.
尺度
高斯差分金字塔影像
高斯差分尺度空间局部极值探测
第六章影像匹配第次课
高斯差分 影像
13
1.3 高斯差分尺度空间的生成
假设将尺度空间分为O层，每层尺度空间又被分为
S子层，基准尺度空间因子为
，
则尺度空间的生成步骤如下：
（1）在第一层尺度空间中，利用 2n/S
卷积核分别对原始影像进行高斯卷积，生成高斯金
字塔影像(S+3张)，其中 n为高斯金字塔影像的
第六章影像匹配第次课
对影像进行卷积
8
一幅二维图像，在不同尺度下的尺度空间 表示可由图像与高斯核卷积得到：
L ( x ,y ,) G ( x ,y ,)* I( x ,y )
L 代表图像的尺度空间
σ为尺度空间因子，其值越小则表征图像被平滑的
越少，相应的尺度也就越小。同时大尺度对应于 图像的概貌特征，小尺度对应于图像的细节特征。
1) SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度 变化保持不变性，对视角变化、仿射变换、噪声也保持一 定程度的稳定性；
2) 独特性好，信息量丰富，适用于在海量特征数据库中进行 快速、准确的匹配 ；
3) 多量性，即使少数的几个物体也可以产生大量SIFT特征向量；
4) 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求；
……
2(S2)/S
尺度 O2（下一层）
21/ S
2(S2)/S
尺度 O1（第一层）
……
……
子层数: S=3
子层数: S=3
21/ S
高斯金字塔影像
高斯差分金字塔影像
高斯差分尺度空间的生成
第六章影像匹配第次课
16
尺度（第一层）
高斯金字塔影像
高斯差分金字塔影像
第一层比例尺空间中的高斯金字 塔影像和高斯差分金字塔影像
《摄影测量学》第六章
第五节 特征匹配 ---SIFT算子
第六章影像匹配第次课
1
主要内容
➢SIFT算子 ➢影像匹配策略
第六章影像匹配第次课
2
SIFT(Scale Invariant Feature Transform)算子最早 由D.G.Lowe于1999年提出，但直到2004年D.G.Lowe 才对该算子做了全面的总结，其主要特点：
12
卷积
卷积
G ( x , y ,) 原I ( x D 始, ) y ( x ) 影, y , L 像( x ) , y ( , G k ( x ) , y , L k ( x , ) y , G ) ( x , y ,) I ( x , ) y ) L ( x , y , k ) L ( x
索引号( 0,1,2... S+2), S为该层尺度空间的子层 数。
第六章影像匹配第次课
14
（2）将第一层尺度空间中的相邻高 斯金字塔影像相减，生成高斯差分金 字塔影像。 （3）不断地将原始影像降采样2倍， 并重复类似1)和2)的步骤，生成下一 层尺度空间。
第六章影像匹配第次课
15
1.3 高斯差分尺度空间的生成
二维高斯函数定义如下：
G (x,y, ) 1 e(x2y2)/22 2 2
代表高斯正态分布的方差。
第六章影像匹配第次课
7
一幅二维图像，在不同尺度下的尺度空间 表示可由图像与高斯核卷积得到：
L ( x ,y ,) G ( x ,y ,)* I( x ,y )
高斯模板
G (x,y, ) 1 e(x2y2)/22 2 2