sift介绍
浅谈sift算子
一.Sift发展历程简介：
Sift算子最早是由D.G.Lowe于1999年提 出的，当时主要用于对象识别。 2004年D.G.Lowe对该算子做了全面的总 结，并正式提出了一种基于尺度空间的、 对图像缩放、旋转甚至仿射变换保持不变 性的图像局部特征描述算子——sift （Scale Invariant Feature Transform) 算子，即尺度不变特征变换。
上式中，m( x, y ) 和 x, y 分别为高斯金字塔影像 x, y 处梯度的大小 和方向， L 所用到的尺度为每个关键点所在的尺度。
在实际计算中，我们在以关键点为中心的邻域窗口内采样，并用直方图统 计邻域像素的梯度方向。梯度直方图的范围是0~360度，其中，每10度 一个柱，共36个柱。直方图的主峰值（最大峰值）代表了关键点处邻域 梯度的主方向，即关键点的主方向。图4是采用7个柱时使用梯度直方图 为关键点确定主方向的示例：
▲ 局部极值探测：
为了寻找尺度空间的极值点，每 一个采样点都要和它所有的相邻 点比较，看其是否比它的图像域 和尺度域的相邻点大或者是小。 如右图所示，中间的检测点和它 同尺度的8个相邻点以及上下相 邻尺度对应的9*2个点共26个点 比较，以确保在尺度空间和二维 图像空间都检测到极值点。
如果该检测点的值小于或大于它的相邻点（26个相邻点），那么该 点即为一个局部极值点（关键点）。
为了增强匹配的稳定性，需要删除低对比度的点。将 得：
1 D T D( X ) D 2 X
(2)式
代入 (1)式
X
D D0
定的特征点，应删除。 的经验值为0.03.
D( X ) 可以用来衡量特征点的对比度，如果 D( X ) ，则
SIFT算法的介绍和应用
SIFT算法的介绍和应用SIFT（Scale-Invariant Feature Transform）算法是一种用于图像特征提取和匹配的算法，由David Lowe于1999年首次提出。
SIFT算法具有尺度不变性和旋转不变性，能够在不同尺度和旋转角度下检测并描述图像中的局部特征。
因此，SIFT算法在计算机视觉领域广泛应用于图像拼接、目标识别、图像检索、三维重建等任务。
尺度空间极值点检测是SIFT算法的关键步骤之一、该步骤通过在不同的尺度下使用高斯差分金字塔来检测图像中的关键点。
SIFT算法使用了DoG（Difference of Gaussians）来近似尺度空间的Laplacian of Gaussian（LoG）金字塔。
通过对高斯金字塔中不同尺度上的图像之间进行差分操作，我们可以得到一组差分图像。
SIFT算法通过在这些差分图像中找到局部最小值和最大值，来检测图像中的关键点。
关键点精确定位是SIFT算法的另一个重要步骤。
在粗略检测到的关键点位置附近，SIFT算法利用高斯曲率空间来精确定位关键点。
具体做法是，在检测到的关键点位置处通过Taylor展开近似曲线，并通过求解偏导数为零的方程来计算关键点的位置。
方向分配是SIFT算法的下一个步骤。
该步骤用于给每个关键点分配一个主方向，以增强特征的旋转不变性。
SIFT算法在关键点周围的像素中计算梯度幅值和方向，然后生成一个梯度方向直方图。
直方图中最大的值对应于关键点的主方向。
特征描述是SIFT算法的另一个核心步骤。
在这个步骤中，SIFT算法根据关键点周围的梯度方向直方图构建一个128维的特征向量，该特征向量描述了关键点的局部特征。
具体做法是，将关键点附近的像素划分为若干个子区域，并计算每个子区域内的梯度幅值和方向，然后将这些信息组合成一个128维的向量。
特征匹配是SIFT算法的最后一步。
在这个步骤中，SIFT算法通过比较特征向量之间的欧氏距离来进行特征匹配。
siftkeypoint参数
siftkeypoint参数
SIFT（Scale-Invariant Feature Transform）是一种用于图像处理和计算机视觉领域的特征提取算法，它可以在不同尺度和旋转下提取出稳定的特征点。
在SIFT算法中，关键点（keypoint）是指图像中具有显著特征的点，这些点可以用来进行图像配准、目标识别和其他计算机视觉任务。
SIFT算法中的关键点参数包括：
1. 尺度空间参数（octaves），SIFT算法使用高斯滤波器构建图像的尺度空间金字塔，octaves参数指定金字塔的层数，影响了提取关键点的尺度范围。
2. 尺度参数（sigma），高斯滤波器的标准差，用于控制图像的平滑程度和特征点的尺度。
3. 阈值参数（contrastThreshold和edgeThreshold），用于筛选关键点的对比度和边缘响应阈值，可以控制提取出的关键点质量和数量。
4. 方向参数（orientationBins），用于计算关键点的主方向，可以提高关键点的旋转不变性。
在使用SIFT算法时，调整这些关键点参数可以影响到提取出的
关键点的数量、质量和稳定性，需要根据具体的应用场景和图像特
点进行合理的选择和调整。
同时，SIFT算法也有一些默认的参数值，可以根据具体情况进行调整以获得最佳的特征提取效果。
SIFT算法详解及应用
SIFT算法详解及应用SIFT（Scale-Invariant Feature Transform）是一种图像处理算法，它能够在不同尺度、旋转、光照条件下进行特征点匹配。
SIFT算法是计算机视觉领域的一个重要算法，广泛应用于目标识别、图像拼接、图像检索等方面。
首先，尺度空间极值检测是指在不同尺度上检测图像中的极值点，即图像中的局部最大值或最小值。
这样可以使特征点能够对应不同尺度的目标，使算法对尺度变化有鲁棒性。
为了实现这一步骤，SIFT算法使用了高斯差分金字塔来检测尺度空间中的极值点。
接下来是关键点定位，即确定在尺度空间极值点的位置以及对应的尺度。
SIFT算法通过比较每个极值点与其周围点的响应值大小来判断其是否为关键点。
同时，为了提高关键点的稳定性和准确性，算法还会对关键点位置进行亚像素精确化。
然后是关键点方向的确定，即为每个关键点分配一个主方向。
SIFT算法使用图像梯度方向的直方图来确定关键点的方向。
这样可以使得特征描述子具有旋转不变性，使算法在目标旋转的情况下仍能进行匹配。
最后是关键点的描述。
SIFT算法使用局部图像的梯度信息来描述关键点，即构建关键点的特征向量。
特征向量的构建过程主要包括将关键点周围的图像划分为若干个子区域，计算每个子区域的梯度直方图，并将所有子区域的直方图拼接成一个特征向量。
这样可以使得特征向量具有局部不变性和对光照变化的鲁棒性。
SIFT算法的应用非常广泛。
首先，在目标识别领域，SIFT算法能够检测和匹配图像中的关键点，从而实现目标的识别和定位。
其次，在图像拼接方面，SIFT算法能够提取图像中的特征点，并通过匹配这些特征点来完成图像的拼接。
此外，SIFT算法还可以应用于图像检索、三维重建、行人检测等领域。
总结起来，SIFT算法是一种具有尺度不变性和旋转不变性的图像处理算法。
它通过提取图像中的关键点，并构建关键点的描述子，实现了对不同尺度、旋转、光照条件下的目标识别和图像匹配。
又快又准的特征匹配方法
又快又准的特征匹配方法又快又准的特征匹配方法是计算机视觉领域中非常重要的一个问题。
特征匹配是指在两个或多个图像中找到具有相似性的特征点，并建立它们之间的对应关系。
特征匹配在很多应用中都有广泛的应用，如图像配准、目标检测和跟踪等。
在过去的几十年中，研究人员提出了许多特征匹配方法，其中一些方法即使在处理大规模数据集时也能提供很高的匹配准确性和效率。
下面将介绍几种又快又准的特征匹配方法。
1.SIFT（尺度不变特征变换）SIFT是一种非常经典的特征匹配算法，在很多应用中都被广泛使用。
它通过将图像中的特征点转换成尺度、旋转和亮度不变的向量，然后使用特征向量之间的欧氏距离来进行匹配。
SIFT算法具有很高的匹配准确性和鲁棒性，但在处理大规模数据集时会存在时间和空间复杂度较高的问题。
2.SURF（加速稳健特征）SURF是一种基于SIFT的改进算法，能够在保持较高匹配准确性的同时提高匹配的速度。
SURF算法用Hessian矩阵来检测特征点，并通过使用积分图像来加速特征描述子的计算。
这种基于加速稳健特征的特征匹配方法比SIFT更快、更鲁棒，适用于处理大规模数据集。
3.ORB（方向倒角二值描述子）ORB是一种在效率和准确性之间取得平衡的特征匹配算法。
它结合了FAST关键点检测器和BRIEF特征描述子，使用方向倒角二进制描述子来表示特征点，从而使得匹配速度更快。
ORB算法在实践中表现良好，尤其适用于移动设备上的实时应用。
4.BRISK（加速鲁棒特征）BRISK是一种能够提供快速、鲁棒特征匹配的算法。
它通过快速角点检测器来检测特征点，并使用二进制描述子来进行特征匹配。
BRISK算法具有较低的计算复杂度和内存消耗，并且能够在保持较高的匹配准确性的同时提供很高的速度。
TCH（局部联合二进制特征）LATCH是一种基于二进制特征匹配的算法，具有很高的匹配速度和鲁棒性。
LATCH算法通过使用快速特征检测器和局部联合二进制描述子来检测和匹配图像中的特征点。
SIFT特征ppt课件
（1）式求导得（2）； 计算（4）；
所有取值小于0.04的极 值点均可抛弃。
D XD X D TX1 2XT X 2D 2X(1)
X DT (2D)1 (2) X X2
DX D12X DT X (3)
| D( X ) | (4)
ppt课件.
ppt课件.
11
2.SIFT原理
关键点的精确定位 上面检测到的极值点是离散的空间极值点，
通过三维二次函数精确确定关键点的位置和尺 度，同时去除低对比度的极值点和不稳定的边 缘响应点（DOG算子会产生较强的边缘响应）， 以增强匹配稳定性、提高抗噪声能力。
ppt课件.
12
2.SIFT原理
去除低对比度的点
S——每组层数。
✓ 组内相邻两层的尺度
s1 s
1
2S
✓ 组间相邻两层的尺度
sS
o1(s) o 2 S
sS
s
o 2 S 2 o 2S
✓ 组内和组间尺度可归纳为
2i 1(,k,k2, kn 1 )
1
k2 S
i—Octave
n— intervals
ppt课件.
8
2.SIFT原理
降采样
上一组图像的底层是由 前一组图像的最后一层 图像隔点采样生成的。
ppt课件.
10
2.SIFT原理
DOG检测局部极值点
关键点是由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，看其是否是所 有相邻点中的最大值或最小值， 若是就认为它是一个极值点。
中间的检测点和它同尺度的8个相 邻点和上下相邻尺度对应的9×2 个点共26个点比较，以确保在尺 度空间和二维图像空间都检测到 极值点。
常用的特征描绘子
常用的特征描绘子在计算机视觉和图像处理领域，特征描绘子是用于描述图像中的特定属性或纹理信息的数学表示。
特征描绘子对于图像匹配、对象识别和图像检索等任务非常重要。
下面将介绍一些常用的特征描绘子。
1.SIFT（尺度不变特征变换）：SIFT是一种用于在不同尺度上检测和描述局部特征的算法。
它通过应用高斯滤波器来寻找具有高灵敏度的关键点，并使用关键点周围的局部图像区域来构建描述子。
SIFT特征具有尺度不变性和旋转不变性，因此在大规模图像检索和对象识别中广泛应用。
2. SURF（加速稳健特征）：SURF是一种基于Hessian矩阵的局部特征描述子。
它通过计算图像中的灰度变化率来检测特征点，并构建了一种基于梯度直方图的描述子。
SURF特征具有尺度不变性、旋转不变性和光照不变性，且计算速度比SIFT更快，因此适用于实时图像处理任务。
3.ORB（方向鲁棒特征）：ORB是一种结合了FAST角点检测器和BRIEF特征描述子的特征描绘子。
它通过检测图像中的角点，并使用二进制描述子来描述这些角点的特征。
ORB特征具有尺度不变性、旋转不变性和仿射不变性，且计算速度比SIFT和SURF都更快，因此适用于实时图像处理应用。
4.HOG（方向梯度直方图）：HOG是一种用于物体检测和人体姿态估计的特征描述子。
它通过计算图像中局部区域的梯度直方图来描述图像的形状和纹理信息。
HOG特征在人体检测和行人识别等任务中表现出色，并且对于图像的尺度和旋转变化具有一定的鲁棒性。
5.LBP（局部二值模式）：LBP是一种用于纹理分析和表情识别的特征描述子。
它通过将局部图像区域与其周围像素比较，并将比较结果编码为二进制数来描述纹理特征。
LBP特征在纹理分类和人脸识别等任务中表现出色，并且对于光照变化和噪声干扰具有一定的鲁棒性。
除了上述特征描绘子，还有许多其他的常用特征描绘子，如GIST（总体图像特征）、BRISK（加速旋转不变特征）、FREAK（快速稳定特征）等。
图像识别中的局部特征提取方法比较(八)
图像识别中的局部特征提取方法比较引言：图像是人类最常用的视觉信息传递方式之一，图像识别技术的发展日益成熟，人们对于图像中物体、场景的识别和理解能力越来越强。
而在图像识别的过程中，局部特征提取是一个重要的环节，它可以从图像中提取出一些关键的局部信息，从而帮助计算机进行物体识别、目标检测等任务。
在本文中，将介绍几种常见的局部特征提取方法，并对它们进行比较和分析。
一、SIFT（尺度不变特征变换）SIFT是一种在计算机视觉中广泛应用的局部特征提取算法。
它通过寻找图像中的极值点，然后在不同尺度下提取这些极值点周围的局部特征描述子。
SIFT算法具有尺度不变性和旋转不变性的特点，可以很好地适应不同尺度和旋转程度下的图像变化。
然而，SIFT算法在图像匹配和计算效率上存在一些问题，尤其当图像规模较大时，计算量会显著增加，导致处理速度下降。
二、SURF（加速稳健特征）SURF算法是对SIFT算法的一种改进，它可以加速特征点的检测和描述子的计算过程。
SURF算法利用了图像中的积分图像和盒滤波器来实现快速的特征点检测和描述子计算。
相比SIFT算法，SURF算法在特征点检测的速度上提升了很多，同时保持了一定的旋转和尺度不变性。
然而，SURF算法在某些情况下对于光照变化和视角变化的鲁棒性还有待提高。
三、ORB（方向鲁棒性和加速度）ORB算法是一种结合FAST关键点检测器和BRIEF描述子的局部特征提取方法。
FAST关键点检测器通过对图像像素值的快速计算，可以快速地检测出关键点。
BRIEF描述子则是一种二进制描述子，能够在保持较高识别精度的同时，大大提高了计算速度。
ORB算法在保持了精度和速度的同时，具备了一定的方向鲁棒性和加速度，适合于实时图像识别和跟踪任务。
但是，ORB算法对于光照变化和尺度变化的鲁棒性相对较差。
四、LBP（局部二值模式）LBP算法是一种基于纹理特征的局部特征提取方法。
它通过对图像的像素点进行二值编码，然后统计局部区域的纹理特征。
图像识别中的特征提取算法的使用方法
图像识别中的特征提取算法的使用方法在图像识别中，特征提取是一个关键步骤，它通过从图像中提取有用的信息来帮助分类、定位或识别图像中的对象。
特征提取算法的选择和使用对于图像识别的准确性和效率具有重要影响。
本文将介绍几种常用的特征提取算法，并探讨其使用方法。
1. 尺度不变特征变换（SIFT）尺度不变特征变换（Scale-Invariant Feature Transform，简称SIFT）是一种基于局部特征的特征提取算法。
它通过检测图像中的关键点，并计算这些关键点周围的描述子来提取特征。
SIFT算法具有尺度不变性和旋转不变性的特点，对于图像缩放、旋转和平移变换具有较好的适应性。
使用SIFT算法进行特征提取的方法如下：a. 使用SIFT算法检测图像中的关键点。
b. 对于每个关键点，计算其周围区域的描述子。
c. 基于描述子进行特征匹配和对象识别。
2. 快速RCNN算法快速区域卷积神经网络（Fast Region-based Convolutional Neural Network，简称Fast R-CNN）是一种基于深度学习的特征提取算法。
它通过将整个图像输入神经网络，并利用区域建议网络（Region Proposal Network）生成候选区域，然后对这些候选区域进行分类和定位。
使用快速RCNN算法进行特征提取的方法如下：a. 使用区域建议网络生成候选区域。
b. 将候选区域输入卷积神经网络进行特征提取。
c. 基于提取的特征进行分类和定位。
3. 卷积神经网络（CNN）卷积神经网络（Convolutional Neural Network，简称CNN）是一种广泛应用于图像识别的特征提取算法。
它通过一系列的卷积和池化层来提取图像的特征，并将这些特征输入全连接层进行分类。
使用卷积神经网络进行特征提取的方法如下：a. 设计并训练深度卷积神经网络。
b. 将图像输入神经网络，通过卷积和池化层提取特征。
c. 基于提取的特征进行分类和识别。
SIFT特征提取
一、SIFT简介
尺度不变特征转换(Scale-invariant feature transform, SIFT) 是一种用来检测与描述图像局部特征的算法，它通过在尺度空 间中寻找极值点作为特征点，具有旋转不变性以及尺度不变性。
此算法由 David Lowe在1999年所发表，2004年完善总结。其 应用范围包含物体辨识、机器人地图感知与导航、3D模型建立、 手势辨识、影像追踪和动作比对等。
四、特征描述子的生成
在检测到的特征点邻域像素集合上计算梯度幅值和梯度方向：
首先将坐标轴旋转为关键点的方向，以确保旋转不变 性。以关键点为中心取8×8的窗口。
计算关键点周围的16*16的窗口中每一个像素的梯度，而且使 用高斯下降函数降低远离中心的权重。
五、关键点匹配
在得到图像的特征向量之后，依次找出两幅图中相似度最高
的两个特征向量，完成对特征点的连线匹配。
谢谢观看
尺度空间 极值检测
特征点定 位
特征点方 向赋值
特征点描 述
特征点匹 配
二、尺度空间理论
基本思想：在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多尺度下的尺度空间表示序列，对 这些序列进行尺度空间主轮廓的提取，并以该主轮廓作为一种 特征向量，实现边缘、角点检测和不同分辨率上的特征提取等。
尺度空间的表示
LoG算子与DoG算子的区点检测
关键点的定位
低对比度的点（对噪声敏感） 去除不稳定的边界点
可以将上式写成矢量的形式如下：
令上式的一阶导数等于0，可以求得：
去除边缘响应
图1 未经筛选的特征图 图2 去除低对比度后的特征图 图3 消除边缘相应后的特征图
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
• 在实际应用中，在计算高斯函数的离散近似时，在大概3σ距离之外 的像素都可以看作不起作用，这些像素的计算也就可以忽略。
• 通常，图像处理程序只需要计算 (6 1) (6 1)
2016/5/11
16
尺度空间极值检测
• 降采样 上一组图像的底层是由 前一组图像的最后一层 图像隔点采样生成的。
2×2的Hessian矩阵得到，导数由采样点相邻差来估计：
Dxx H Dxy
Dxy Dyy
Dxx 表示DOG金字塔中某一尺度的图像x方向求导两次
2016/5/11 22
尺度空间极值检测
而只是考虑它们的之间的比率。令为 最大特征值 则
2
SIFT
Scale Invariant Feature Transform
SIFT
Scale Invariant Feature Transform
尺度空间极值检测
• 建立DOG金字塔
在尺度空间中有效检测 关键点的位置，对图像使 用可变的高斯差分函数 D( x, y, ) 求尺度空间中的极值。
SIFT
Scale Invariant Feature Transform
SIFT简介
SIFT
Scale Invariant Feature Transform
Original image courtesy of David Lowe
将一幅图像映射（变换）为一个局部特征向量集；特征向量具有 平移、缩放、旋转不变性，同时对光照变化、仿射及投影变换也有一定 不变性。
2016/5/11 5
适应能力较差，急需提出一种鲁棒性强、能够适应不同
光照、不同位姿等情况下能够有效识别目标的方法。
2016/5/11
3
SIFT简介
SIFT提出的目的和意义
SIFT
Scale Invariant Feature Transform
David G. Lowe Computer Science Department 2366 Main Mall University of British Columbia Vancouver, B.C., V6T 1Z4, Canada E-mail: lowe@cs.ubc.ca
2016/5/11
14
尺度空间极值检测
r2 G r exp 2 2 2 2 1
2 2 r为模糊半径， r= x y
SIFT
Scale Invariant Feature Transform
尺度空间的获取需要使用高斯模糊来实现。在进行欠采样的时，通 常在采样之前对图像进行低通滤波处理。这样就可以保证在采样图 像中不会出现虚假的高频信息。
数据库中进行快速、准确的匹配。 • 多量性，即使少数的几个物体也可以产生大量SIFT特征向量。
• 经过优化的SIFT算法可满足一定的速度需求。
• 可扩展性，可以很方便的与其他形式的特征向量进行联合。
2016/5/11
6
SIFT简介
SIFT算法可以解决的问题
SIFT
Scale Invariant Feature Transform
SIFT
Scale Invariant Feature Transform
1. 哪些点是SIFT中要查找的关键点（特征点）？
这些点是一些十分突出的点不会因光照条件的改变而消失，比如角点、 边缘点、暗区域的亮点以及亮区域的暗点，既然两幅图像中有相同的景物， 那么使用某种方法分别提取各自的稳定点，这些点之间会有相互对应的匹配 点。 所谓关键点，就是在不同尺度空间的图像下检测出的具有方向 信息的局部极值点。 根据归纳，我们可以看出特征点具有的三个特征： 尺度 方向 大小
为了提高关键点的稳定性，需要对尺度空间DoG函数进行曲线拟合。
利用DoG函数在尺度空间的Taylor展开式：
D 1 T 2 D D X D X X X 2 X 2 X
ˆ x, y , T 其极值点 X
T
2016/5/11
21
尺度空间极值检测
去除边缘响应
SIFT
SIFT
Scale Invariant Feature Transform
尺度不变特征变换匹配算法 Scale Invariant Feature Transform （SIFT）
邱爽 蒋仕新
2016/5/11 1
提纲
1. SIFT简介
SIFT
Scale Invariant Feature Trபைடு நூலகம்nsform
SIFT
Scale Invariant Feature Transform
尺度空间极值检测
关键点精确定位
SIFT
Scale Invariant Feature Transform
由于DoG值对噪声和边缘较敏感,因此,在上面DoG尺度空间中检测到局部 极值点还要经过进一步的检验才能精确定位为特征点。
G( x, y, ) 1 2
2 ( x2 y 2 )
e
2 2
尺度空间极值检测
• 建立高斯金字塔
高斯金子塔的构建过程 可分为两步： 1）对图像做高斯模糊； 2）对图像做降采样。 根据不同的尺度，一幅 图像可以产生几组(octave) 图像，一组图像包括几层 (interval)图像。
2016/5/11
11
尺度空间极值检测
SIFT
Scale Invariant Feature Transform
一个图像的尺度空间L( x, y, ) 定义为原始图像I ( x, y ) 与一个可变尺度的2维高斯函数 G( x, y, ) 卷积运算。
L( x, y, ) G( x, y, )* I ( x, y)
D的主曲率和H的特征值成正比，为了避免直接的计算这些特征值，
2
， 为最小的特征值，
2
r
Tr H Dxx Dyy
2
Tr H r 1 Det H r
Det H Dxx Dyy Dxy Dxy
Scale Invariant Feature Transform
仅仅去除低对比度的极值点对于极值点的稳定性是远远不够的。 DoG 函数在图像边缘有较强的边缘响应，因此我们还需要排除边缘响应。 DoG函数的（欠佳的）峰值点在横跨边缘的方向有较大的主曲率，而
在垂直的方向有较小的主曲率。主曲率可以通过计算在该点位置尺度的
D( x, y, ) L( x, y, k ) L( x, y, )
即将相邻尺度高斯平滑后 图像相减 DOG图像描绘的是目标的轮 廓
尺度空间极值检测
SIFT
Scale Invariant Feature Transform
2016/5/11
19
尺度空间极值检测
• DOG检测局部极值点
关键点是由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，看其是否是所 有相邻点中的最大值或最小值， 若是就认为它是一个极值点。 中间的检测点和它同尺度的8 个相邻点和上下相邻尺度对应的 9×2个点共26个点比较，以确保 在尺度空间和二维图像空间都检 测到极值点。
SIFT
目标图像
特征点 检测
SIFT
关键点，就是在不同尺度空间的图像下检测出的具有方向信息的局部极值点。
2016/5/11
8
SIFT算法实现细节
尺度空间理论是通过对原始图 像进行尺度变换，获得图像多 尺度下的尺度空间表示序列， 对这些序列进行尺度空间主轮 廓的提取，并以该主轮廓作为 一种特征向量，实现边缘、角 点检测和不同分辨率上的特征 提取等。
Back
7
• • • • •
2016/5/11
SIFT算法实现细节
SIFT算法实现步骤简述
SIFT
Scale Invariant Feature Transform
SIFT算法的实质可以归为在不同尺度空间上查找特征点（关键点）的问题。
原图像 特征点 检测 特征点 描述 目标的特 征点集 特征点匹 配 特征点 描述 目标的特 征点集 匹配点矫 正
•
1999年British Columbia大学大卫.劳伊（David G.Lowe）教授总结了现有
的基于不变量技术的特征检测方法，并正式提出了一种基于尺度空间的、对
图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子－SIFT （尺度不变特征变换），这种算法在2004年被加以完善。
2016/5/11 4
2. SIFT算法实现细节
3. SIFT算法的扩展与改进 4. SIFT算法的应用
2016/5/11
2
SIFT简介
传统的特征提取方法
•
SIFT
Scale Invariant Feature Transform
成像匹配的核心问题是将同一目标在不同时间、不同
分辨率、不同光照、不同位姿情况下所成的像相对应。 传统的匹配算法往往是直接提取角点或边缘，对环境的
2016/5/11
15
尺度空间极值检测
高斯模板大小的选择
高斯模板
0.00000067 0.00002292 0.00019117 0.00038771 0.00019117 0.00002292 0.00000067 0.00002292 0.00078633 0.00655965 0.01330373 0.00655965 0.00078633 0.00002292 0.00019117 0.00655965 0.05472157 0.11098164 0.05472157 0.00655965 0.00019117 0.00038771 0.01330373 0.11098164 0.22508352 0.11098164 0.01330373 0.00038771 0.00019117 0.00655965 0.05472157 0.11098164 0.05472157 0.00655965 0.00019117