SIFT算法学习

这篇文章参考了Utkarsh的博客，感觉他对SIFT的理解非常深刻，传送门在此：SIFT--Utkarsh

SIFT学习

1.  SIFT：ScaleInvariant Feature Transform

不同图像间的特征匹配是计算机视觉中的一个焦点，如果图片是大致相似的（同样的尺寸，同样的方向），简单的角点检测（Harris）是可行的。但是如果图象有不同尺度和旋转，你就需要尺度不变的特征转换（SIFT）。

2.  为毛SIFT牛叉

SIFT不仅仅是尺度不变，你可以改变下列几项，一样能获得较好的结果。

²  尺度

²  旋转

²  亮度（强度）

²  视角

下面是一个例子：

我们要寻找这些目标：

这是我们搜索的场景：

这是我们得到的结果：

大的矩形标识的是匹配的图片，小的矩形标识的是这些区域里的单个特征。注意这些大的矩形是根据目标的朝向和尺度来刻画的。

3.  算法

SIFT是一个较复杂的算法，所以我把整个算法分割成几个部分，这是整个大纲。

 Ø  构建一个尺度空间

这是最初的准备工作，你要创建一个原始图片的一组尺度图来确保尺度不变。

Ø  LoG近似

高斯拉普拉斯算子对于查找特征点很有帮助，但是消耗太大，所以我们采用在之前创建的尺度图来完成近似LoG的计算

Ø  查找特征点

在之前快速近似策略上，我们尝试查找特征点，在我们前一步的计算得到高斯差分（DoG）中查找极大值和极小值。

Ø  舍弃不适合的特征点

边缘和低对比度区域是不合适的特征点。去除它们使得算法更有效和鲁棒性。这里使用了一个类似Harris角点的技术。

Ø  对特征点赋予方向

每个特征点都会计算出一个方向，它会涉及到更多的计算，这可以有效的去除方向的影响，使得它满足方向不变性。

Ø  产生SIFT特征

 

4.  你能用SIFT干什么

图片检索追踪。。。。。。。。whatever you like