[图像] sift特征

第一步：构造原始图像尺度空间

    利用高斯滤波，通过改变方差来得到不同尺度的图像。

    ，一般取模板中心坐标为（0,0）构造滤波矩阵。方差越大越模糊，一般来说距离为的权重为0。

 

第二步：构造高斯差图像

    将相邻尺度的图像相减，构造高斯差图像。得到的结果提取出了边界信息。

    这里构建的应该是高斯-差分金字塔模型，也就是不断隔行隔列下采样，先构造出金字塔模型，再进行作差，得到DOG金字塔。

 

第三步：搜索极值点

    对于金字塔某一层，在高斯差尺度空间中，对于某个像素点，在其邻域空间（26个临接点）中搜索极大（小）值。（这里的邻域空间是由相邻的尺度图像叠加构成的）

 

第四步：去噪

    去除对比度小的点和边缘的点（DOG边缘效应较强）。其中极值点的精确定位涉及到了比较复杂的插值法，边缘效应消除的方法也比较麻烦。应该不会做考试要求。

 

第五步：方向表示

   

    计算每个极值点的方向和梯度，把极值点方向规整到8个bin的方向中，也就是得到左、右、上、下、左上、左下、右上、右下8个方向的直方图，反正切函数的值域为[-pi/2,pi/2]，将其规整到[0,2pi]

    得到的结果是很多个箭头，箭头的方向是极值点的方向，长度是极值点的梯度。

 

第六步：sift特征向量

    对于每个极值点，取以它为中心16*16的窗口，再把窗口划分为16个4x4的子块，在每个子块中，先计算每个像素点的梯度方向，把它们放入对应的bin中，每个bin的值为这些像素点的梯度模的和，再将和乘以当前极值点的，乘以1.5，每个bin就得到一个大小，每个子块得到8个值。

    一共得到了16X8 = 128个值，它们组成了极值点的sift特征向量。