SIFT算法学习（2）

3.SIFT

SIFT全称为scale invariant feature transform，即尺度不变特征变换。SIFT算法提取的SIFT特征具有如下特性：

⑴SIFT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、放射变换、噪声也保持一定程度的稳定性。

⑵独特性好，信息量丰富，适用于海量数据库中进行快速、准确的匹配。

⑶多量性，即使少数的几个物体也可以产生大量的SIFT特征。

⑷高速性，经过优化的SIFT算法可以达到实时的要求。

⑸可扩展性，可以很方便的与其它特征向量联合。

SIFT算法已经广泛应用到工业检测中。

 

3.1构建高斯金字塔

高斯金字塔构建分为两步：

①　对图像进行高斯模糊；

②　对图像降采样；

    构建O组高斯金字塔，每组S层图像。图像之间的尺度参数公式如下：

：尺度参数

：初始尺度参数

o ：第o组图像

s ：第o组第s层图像

S ：每组S层图像（一般3~5）

高斯金字塔组数：

   

    由此可见，相邻两组同一层尺度为2倍的关系。

3.2关键点检测

 DOG局部极值点

高斯金字塔建立以后，具有O组图像，每组有S层图像；每组相邻两层图像相减，构建DOG金字塔，但是SIFT特征点不仅需要和同层邻域比较，也需要和上下两层尺度图像相邻的邻域比较，如果是S层的话，只会搜索出S-2层特征点，为了也找到S层特征点，在构建高斯金字塔时，在每组的顶层再增加3层，这样，高斯金字塔每组就有S+3层图像；而下一组的初始图像由上一组图像倒数第三层的图像降采样得到。得到S+2层DOG金字塔。

特征点尺度空间领域

从上图看出，一个特征点会与其尺度空间邻域内26个点进行比较，以确保在尺度空间和二维图像空间都检测到极值点。