基于尺度不变特征变换的图像匹配1.pptVIP

基于尺度不变特征变换的图像匹配 特征匹配 尺度不变特征算法的提出 尺度空间的生成： Koendetink证明高斯卷积核是实现尺度变换的唯一变换核，而Lindeberg等人则进一步证明高斯核是唯一的线性核。二维高斯函数定义如下： σ代表了高斯正态分布的方差。 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： 式中，(x,y)代表图像的像素位置，σ称为尺度空间因子，其值越小则表征该图像被平滑的越少，相应的尺度也就越小。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。L代表了图像的尺度空间。 高斯尺度空间是一种模拟人眼视觉机理的理想数学模型。 当两幅图像的SIFT特征向量生成后，采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量。取图像1中的某个关键点，并找出其与图像2中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离少于某个比例阈值，则接受这一对匹配点。降低这个比例阈值，SIFT匹配点数目会减少，但更加稳定。 高斯金字塔与高斯差分金字塔 尺度空间极值检测 特征点过滤和位置确定 关键点位置不精确——三维曲面拟合 Taylor展开式 特征点过滤和位置确定 特征点过滤和位置确定 精确确定关键点的位置和尺度 为每个关键点指定方向参数 确定特征点主方向 生成SIFT特征向量 生成SIFT特征向量 生成SIFT特征向量 SIFT特征向量特性 基于SIFT的图像匹配 RANSAC算法去除外点 几点注意和通用做法 SIFT算法存在的缺点 实验结果与分析 实验结果与分析 高斯金字塔 高斯金字塔 高斯金字塔 高斯金字塔 高斯差分金字塔 高斯差分金字塔 高斯差分金字塔 提取特征点 提取特征点 提取关键点 图像配准实例 实验结果与分析 实验结果与分析 实验结果与分析 实验结果与分析 实验结果与分析 实验结果与分析 原始图像 寻找范围：差分金字塔中的第0层和最上面的一层排除中间的差分图像中，像素的横坐标或者纵坐标中任一个值与图像边界值之间的差值小于5的点排除。 为了检测到DOG空间的最大值和最小值，DOG尺度空间中的中间层(最底层和最顶层除外)的 每个像素点需要跟同一层的相邻8个像素点以及它上一层和下一层的9个相邻像素点总共26个相邻像素点进行比较，以确保在尺度空间和二维图像空间都检测到局部极值。初步确定关键点位置和所在尺度。 由于DOG值对噪声和边缘较敏感，因此，在上面DOG尺度中检测到局部极值点还要经过进一步的处理，将候选特征点中低对比度对噪声敏感的候选特征点或位于边缘的候选特征点过滤掉。然后才能确定稳定特征点的位置和尺度等信息。 得到候选的特征点后，需要利用其周围的数据对特征点进行精确的定位。SIFT特征是通过拟和三维二次函数来精确确定特征点的位置和尺度的. 过滤低对比度点 过滤边缘响应点 X = (x, y,б)T ,D是D(x, y,б )在候选特征点处的值。令 =0可以得到特征点的精确位置和尺度： 可以用来衡量特征点的对比度，即如果 则 为不稳定的特征点。 在候选的特征点处用 Taylor 展开式得到： 因为DoG算子会产生较强的边缘响应，一个定义不好的高斯差分算子的极值在横跨边缘的地方有较大的主曲率，而在垂直边缘的方向有较小的主曲率。 特征点两个方向导数的大小反映在Hessian矩阵的特征值中： 式中DXX、DXY、DYY均为二阶方向导数，设矩阵H的特征值为α、β(αβ)，则有： 其中Tr(H)为矩阵的迹，Det(H)为矩阵行列式值，设α=λβ，则有： 对于边缘，由于在两个主方向的方向导数差别较大，(λ+1)2／λ的值将会较大，因此对于不满足 （lows论文中λ=10）即可认为该点在边缘上，此时应该将其剔除。 (a)原始影像 (b) 在DoG检测的初始关键点 (c)用对比度限制 (d)用对比度和边缘响应去除 在DOG尺度空间检测到的局部极值点在经过精确化点的位置、剔除低对比度的点、消除边缘响应后所保留的点被称为关键点(Keypoint)，此时的关键点信息包括位置信息及尺度信息。 SIFT算法以关键点邻域图元点的梯度方向分布特性作为指定方向参数，使算子具备旋转不变