Sift算法-----part1

 

Sift算法-----part1

      前言：真实世界中的物体只有在某些尺寸中才有价值。比如，你在桌上放置了一台电脑，而你在电脑前，那么电脑就很好地存在。而当你在一个离电脑很远的地方查看时，它就像一粒尘埃，没有什么意义。

尺度空间的概念旨在将现实中的这个理念用于数字图像的处理中。

 

 

 

尺度空间：

      你是可以选择看着一个树还是一片叶子，这取决于你的喜好。如果你选择了一棵树，那么你会选择忽略掉某些细节(例如叶子等)。当然你在选择忽略掉某些细节时，你必须保证不会引人更多的细节。唯一合理的方式是采用高斯模糊(在多种情况下已经被数学证明有效，至于怎么证明，这个问问数学界的大师吧。^_^)

      因此，创建一个尺度空间，可以对源图像连续进行几次高斯模糊。效果如下：

       注意这个猫的头盔和胡须是如何被忽略的。

 

 

 

 

SIFT中的尺度空间：

      Sift把尺度空间的概念推进到另一种境界。你对原始图像进行操作时先进行高斯模糊，同时对图像进行缩小。然后这样继续下去。(go on and on ……)

 

       如图中，垂直方向上是在一个容器中相同尺寸的图片，每一个容器中有5张图片，这些图片是以模糊的程度来排序的。

 

 

 

 

技术细节：

      容器和尺度：

容器的个数和尺度取决于原始图片的大小。在使用SIFT算法时，你必须自己决定容器和尺度的次数。另一方面，SIFT算法的专利拥有者建议使用4个容器，迭代5次的模糊。

      第一个容器：

如果源图像的尺寸加倍并且加以平滑，该算法会产生4倍多的关键点。(当然，更多的关键点更好^_^)

模糊：

模糊在数学层面上是指对图像的高斯积分操作。

                            

                              

 

      模糊的程度：

对每一图片的模糊程度是非常重要的。假设对于一张特定的图片模糊程度是σ,然后下一张图片的模糊程度就是k*σ,k是你可以选择的常数。

                                     

 

 

 

总结：

在sift算法的第一部分中，你对原始图片创建了几个容器，每一个容器中的图片大小是前一个容器中图片大小的一半，在一个容器中图片的由高斯模糊递进。

在下一阶段中我们将介绍如何在容器中产生DOG。