最新尺度不变特征变换匹配算法PPT课件.ppt

最新尺度不变特征变换匹配算法PPT课件.ppt

ID:62122558

大小:1.17 MB

页数:39页

时间:2021-04-17

最新尺度不变特征变换匹配算法PPT课件.ppt_第1页
最新尺度不变特征变换匹配算法PPT课件.ppt_第2页
最新尺度不变特征变换匹配算法PPT课件.ppt_第3页
最新尺度不变特征变换匹配算法PPT课件.ppt_第4页
最新尺度不变特征变换匹配算法PPT课件.ppt_第5页
资源描述:

《最新尺度不变特征变换匹配算法PPT课件.ppt》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库

1、尺度不变特征变换匹配算法Sift算法简介Sift是DavidLowe于1999年提出的局部特征描述子,并于2004年进行了更深入的发展和完善。Sift特征匹配算法可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题,具有很强的匹配能力。SIFT算法基于图像特征尺度选择的思想,建立图像的多尺度空间,在不同尺度下检测到同一个特征点,确定特征点位置的同时确定其所在尺度,以达到尺度抗缩放的目的,剔出一些对比度较低的点以及边缘响应点以后提取每个稳定关键点周围的局部特征,形成局部描述子并将其用在以后的匹配中。Sift算法简介sift算法特

2、点:SIFT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、仿射变换、噪声也保持一定程度的稳定性。独特性(Distinctiveness)好,信息量丰富,适用于在海量特征数据库中进行快速、准确的匹配。多量性,即使少数的几个物体也可以产生大量SIFT特征向量。经过优化的SIFT算法可满足一定的速度需求。可扩展性,可以很方便的与其他形式的特征向量进行联合。极值点检测为了寻找尺度空间的极值点,每一个采样点要和它所有的相邻点比较,看其是否比它的图像域和尺度域的相邻点大或者小。如图3所示,中间的检测点和它同尺度的8个相

3、邻点和上下相邻尺度对应的9×2个点共26个点比较,以确保在尺度空间和二维图像空间都检测到极值点。精确定位极值点通过上步检测出了每个尺度上的极值点,现在就需要采用拟合三维二次函数求得极值点在原图像中的位置。并且为了增强特征点匹配时的稳定性和抗噪能力还需要去除低对比度的关键点和边缘响应点(因为DoG算子会产生较强的边缘响应)等不稳定的点。精确定位极值点定位极值点:令极值点A对进行泰勒展开:(1)其中,是到点A的偏移量。对(1)式求X的偏导数,并令偏倒为0,得到(2)如果大于0.5,则意味着这个极值点与另一个采样点离得更近,需采用插值法求得

4、极值点位置的估计值。精确定位极值点去除低对比度的关键点:将上式(2)带入公式(1)中即可得通过观察实验结果得出,小于0.03的极值点均将被丢弃。阈值越小,则会获得越多的匹配点个数精确定位极值点去除边缘上的极值点:曲面上每个点都有两个主方向,并且沿这两个主方向的法曲率(即两个主曲率)分别是曲面在该点法曲率的最大值和最小值。在边缘上的极值点,垂直于边缘的方向上,法曲率最大,沿边缘的方向上,法曲率最小。如果极值点分布在边缘上,该点的法曲率最大值和最小值之比一般情况下要比非边缘点的比值大。根据这种思想,我们可以设一个比值的阈值,当比值大于这个

5、阈值就认为极值点在边缘上。精确定位极值点去除边缘上的极值点:首先计算待测极值点的Hessian矩阵:设是较大的特征值,是较小的特征值,则由矩阵性质知:设,则可得:判断是否是边缘点只需判断上式左边项是否在某个阈值之下即可。实验表明一般阈值取r=10时。关键点方向分配SIFT特征实现旋转不变性的基本思想是采用“相对”的概念。先为关键点赋一个方向,定义的关键点描述子均是相对于该方向的,因而可以实现匹配时的旋转无关性。为实现尺度无关,根据关键点所在尺度选择与该尺度最相近的高斯平滑图像L。对L上的每个点L(x,y),计算梯度和方向:关键点方向分

6、配以关键点为中心,划定一个邻域,利用所有在此区域内的点的梯度形成一个方向直方图。直方图的横坐标是梯度方向,共36项,每项代表了10度的范围;纵坐标是梯度大小,对于归到横坐标上任一项内所有的点,将其梯度大小相加,其和作为纵坐标。下图所示:关键点方向分配从直方图中选出纵坐标值最大的一项的方向作为该关键点的主方向。如果存在其他方向,纵坐标的大小大于主方向纵坐标大小的80%,也将其作为该关键点的方向。特征点有多个方向的情况下,实际上是在此位置上有多个关键点,他们的方向不同。描述子生成前面已经为关键点赋予了图像位置、尺度以及方向,这一步将根据关

7、键点周围的局部特征计算得出一个特征描述子。如下图所示,在关键点周围取一个邻域,并对其中点的梯度做高斯加权。这个邻域分为16个子区域,每个子区域取八个方向。实验实验一特征匹配实验简介:对两幅商标图像进行高斯差分金字塔的构建,并提取出关键点,最后通过关键点特征向量的欧氏距离作为关键点的相似性度量对两幅图像的关键点进行匹配。高斯差分金字塔构建结果实验一特征匹配实验一特征匹配定位特征点实验一特征匹配关键点匹配图1:两幅相似图像的匹配结果图二:两幅不相似图像的匹配结果数据库:100幅二值商标图像,图像的分辨率为111x111在100幅图像中,大

8、致可以分为十种商标,每种商标分别有10幅由旋转、缩放等处理得到的相似图像实验二图像检索实验二图像检索待检索图像:检索结果:实验二图像检索待检索图像:检索结果:实验二图像检索在该试验中,随机抽取10幅待检索图像进行检索的查

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。