sift演算法的原理

Ⅰ sift演算法是什麼

Sift演算法是David Lowe於1999年提出的局部特徵描述子，並於2004年進行了更深入的發展和完善。Sift特徵匹配演算法可以處理兩幅圖像之間發生平移、旋轉、仿射變換情況下的匹配問題，具有很強的匹配能力。

這一演算法的靈感也十分的直觀，人眼觀測兩張圖片是否匹配時會注意到其中的典型區域（特徵點部分），如果我們能夠實現這一特徵點區域提取過程，再對所提取到的區域進行描述就可以實現特徵匹配了。

sift演算法的應用

SIFT演算法目前在軍事、工業和民用方面都得到了不同程度的應用，其應用已經滲透了很多領域，典型的應用如下：物體識別；機器人定位與導航；圖像拼接；三維建模；手勢識別；視頻跟蹤；筆記鑒定；指紋與人臉識別；犯罪現場特徵提取。

Ⅱ sift演算法是怎麼么實現尺度不變的

關鍵字：高斯尺度金字塔

打個比方，人近視眼就是一個高斯blur，blur的越大說明尺度越大。
SIFT通過不同sigma的高斯blur參數，模擬出了不同尺度的特徵。
然後用DOG圖像求的關鍵點。

看論文吧，一兩句說不清楚。

Ⅲ 剛學sift演算法，有些概念不明白，sift的第一步是找尺度空間的極值點，什麼是尺度空間的極值點

先建立DoG尺度空間，然後確定S的值，最後比較DoG尺度空間中每個像素點和它鄰近的26個點，確保尺度空間和二維圖像空間都檢測得到極值點，這些像素點的集合就是候選的關鍵點了。

Ⅳ 經典圖像特徵|SIFT HOG LBP Haar

https://blog.csdn.net/lingyunxianhe/article/details/79063547

        尺度不變特徵轉換即SIFT (Scale-invariant feature transform)是一種計算機視覺的演算法。它用來 偵測與描述影像中的局部性特徵，它在空間尺度中尋找極值點，並提取出其位置、尺度、旋轉不變數 。局部影像特徵的描述與偵測可以幫助辨識物體，SIFT特徵是基於物體上的一些局部外觀的興趣點而與影像的大小和旋轉無關。對於光線、雜訊、些微視角改變的容忍度也相當高。

     SIFT演算法的實質是在不同的尺度空間上查找關鍵點(特徵點)，並計算出關鍵點的方向 。SIFT所查找到的關鍵點是一些十分突出，不會因光照，仿射變換和噪音等因素而變化的點，如角點、邊緣點、暗區的亮點及亮區的暗點等。

    在一副圖像中，局部目標的表象和形狀（appearance and shape）能夠被梯度或邊緣的方向密度分布很好地描述。首先將圖像分成小的連通區域，我們把它叫細胞單元。然後採集細胞單元中各像素點的梯度的或邊緣的方向直方圖。最後把這些直方圖組合起來就可以構成特徵描述器。

大概過程：

HOG特徵提取方法就是將一個image（你要檢測的目標或者掃描窗口）：

1）灰度化（將圖像看做一個x,y,z（灰度）的三維圖像）；

2）採用Gamma校正法對輸入圖像進行顏色空間的標准化（歸一化）；目的是調節圖像的對比度，降低圖像局部的陰影和光照變化所造成的影響，同時可以抑制噪音的干擾；

3）計算圖像每個像素的梯度（包括大小和方向）；主要是為了捕獲輪廓信息，同時進一步弱化光照的干擾。

4）將圖像劃分成小cells（例如6*6像素/cell）；

5）統計每個cell的梯度直方圖（不同梯度的個數），即可形成每個cell的descriptor；

6）將每幾個cell組成一個block（例如3*3個cell/block），一個block內所有cell的特徵descriptor串聯起來便得到該block的HOG特徵descriptor。

7）將圖像image內的所有block的HOG特徵descriptor串聯起來就可以得到該image（你要檢測的目標）的HOG特徵descriptor了。這個就是最終的可供分類使用的特徵向量了。

    LBP（Local Binary Pattern，局部二值模式）是一種用來描述圖像局部紋理特徵的運算元；它具有旋轉不變性和灰度不變性等顯著的優點。原始的LBP運算元定義為在3*3的窗口內，以窗口中心像素為閾值，將 相鄰的8個像素的灰度值與其進行比較，若周圍像素值大於中心像素值，則該像素點的位置被標記為1，否則為0。 這樣，3*3鄰域內的8個點經比較可產生8位二進制數（通常轉換為十進制數即LBP碼，共256種），即得到該窗口中心像素點的LBP值，並用這個值來反映該區域的紋理信息。

提取的步驟

（1）首先將檢測窗口劃分為16×16的小區域（cell）；

（2）對於每個cell中的一個像素，將相鄰的8個像素的灰度值與其進行比較，若周圍像素值大於中心像素值，則該像素點的位置被標記為1，否則為0。這樣，3*3鄰域內的8個點經比較可產生8位二進制數，即得到該窗口中心像素點的LBP值；

（3）然後計算每個cell的直方圖，即每個數字（假定是十進制數LBP值）出現的頻率；然後對該直方圖進行歸一化處理。

（4）最後將得到的每個cell的統計直方圖進行連接成為一個特徵向量，也就是整幅圖的LBP紋理特徵向量；

    Haar特徵分為三類： 邊緣特徵、線性特徵、中心特徵和對角線特徵，組合成特徵模板 。特徵模板內有白色和黑色兩種矩形，並定義該模板的特徵值為白色矩形像素和減去黑色矩形像素和。Haar特徵值反映了圖像的灰度變化情況。例如：臉部的一些特徵能由矩形特徵簡單的描述，如：眼睛要比臉頰顏色要深，鼻樑兩側比鼻樑顏色要深，嘴巴比周圍顏色要深等。但矩形特徵只對一些簡單的圖形結構，如邊緣、線段較敏感，所以只能描述特定走向（水平、垂直、對角）的結構。通過改變特徵模板的大小和位置，可在圖像子窗口中窮舉出大量的特徵。 特徵模板稱為「特徵原型」；特徵原型在圖像子窗口中擴展（平移伸縮）得到的特徵稱為「矩形特徵」；矩形特徵的值稱為「特徵值」。

    矩形特徵可位於圖像任意位置，大小也可以任意改變，所以矩形特徵值是矩形模版類別、矩形位置和矩形大小這三個因素的函數。故類別、大小和位置的變化，使得很小的檢測窗口含有非常多的矩形特徵，如：在24*24像素大小的檢測窗口內矩形特徵數量可以達到16萬個。這樣就有兩個問題需要解決了：（1）如何快速計算那麼多的特徵？—積分圖大顯神通；（2）哪些矩形特徵才是對分類器分類最有效的？

Ⅳ 圖像特徵提取方法

特點：
1、局部特徵
2、對旋轉，縮放，亮度變化保持不變性
3、高速性

缺點：
1、局部特徵
2、對邊緣光滑的圖像難以准確提取特徵點

原理：
1、在尺度空間（例如高斯金字塔）上搜尋keypoints興趣點（對於尺度和旋轉不變）
2、篩選上一步獲得的興趣點
（1）對空間中的極值點進行精確定位
（2）用Hessian矩陣消除邊緣效應3、在選定的尺度下，在興趣點附近構造梯度方向直方圖
4、對直方圖進行統計，以此來描述此keypoints

總結：
這個方法是通過尋找通過高斯模糊來構造不同尺度下的高斯尺度空間金字塔，通過遍歷所有點，找出尺度空間中的極值點（與26個點進行比較，分別是這一層的周圍8個點，以及上下兩層的9個點）。在初步探查之後，通過對尺度空間下的DoG函數進行擬合，來確定keypoints的精確位置。DoG運算元的缺點是有較強的邊緣效應，在消除邊緣效應之後，得到的就是篩選後的精確keypoints。最後就是對找到的keypoints統計梯度方向直方圖，並將其向量化。

簡單來說，這個方法由於其旋轉及尺度不變性，主要被應用於圖片匹配的應用中。

參考鏈接1
參考鏈接2

原理：
1、圖片預處理：灰度化，亮度空間標准化
2、計算圖中每個像素的梯度
3、將圖像劃分成一個個cell
4、統計每個cell內的梯度直方圖
5、將每幾個cell組成一個block，將該block內的所有cell的的梯度特徵串起來組成該block內的HoG特徵
6、將整張圖內的所有block的HoG向量串起來組成此圖的HoG特徵向量（可歸一化）

總結：
這個方法通過設定不同大小的cell以及block作為參數，統計出整張圖像的梯度特徵（梯度可以反應物體的形狀，邊緣等特徵），通過cell以及block的形式去統計局部特徵。該方法配合SVM曾是圖像分類任務中最為常用的。

參考鏈接1
參考鏈接2

步驟：
1、確定cell大小
2、遍歷cell中的像素，將其周圍的8個像素與其相比較，若大於中心像素，則對應像素標記為1，否則為0
3、統計cell中的二值直方圖，全部串起來組成圖像的特徵向量

總結：
這個方法通過二值降維的方式，提取出了圖像的紋理特徵，並且有效的減少了高頻雜訊的影響。

參考鏈接

步驟：
1、構建Hessian矩陣，生成所有的邊緣點
2、構建尺度空間金字塔
3、keypoints定位，對第一步生成的所有邊緣點進行尺度空間中的極值篩選
4、進行SIFT中的精確定位
5、特徵點主方向選擇，與SIFT不同的是，SURF採用的是Harr演算法中的扇形統計
6、統計4*4cell中的梯度值，並整合成特徵向量

總結：
這個方法是SIFT的優化演算法，通過在第一步構造Hessian矩陣選出邊緣點作為第一批keypoints，減少了SIFT中所有點在尺度空間中的極值對比。同時，通過該用Harr的扇形統計並沿主方向統計特徵，使得每一個cell中的向量維度由原來的128降到了64 。

參考鏈接

Ⅵ sift特徵向量的維數

基於不變數技術的特徵檢測方法的基礎上，提出的一種基於尺度空間的、對圖像縮放、旋轉、仿射變換、光照變化保持穩定性的圖像局部特徵描述演算法-SIFT運算元。SIFT特徵點向量的生成由以下四步驟組成：1、在尺度空間中檢測極值點；2、去除低對比度的極值點和不穩定的邊緣極值點，得到特徵點；3、計算特徵點的方向參數；4、生成SIFT特徵點向量，向量維數一般為128維。運用SIFT演算法提取的SIFT特徵點向量具有如下優點：1、SIFT特徵是圖像的局部特徵，對旋轉、尺度縮放、亮度變化保持不變化性，對視角變化、仿射變換、噪音也保持一定程度的穩定性；2、獨特性好，信息量豐富，適用於在海量特徵資料庫中進行快速、准確的匹配；3、多量性，即使少數的幾個物體也可以產生大量SIFT特徵向量。現有的SIFT演算法具有一定的缺陷，對於圖像的檢測效率和檢測精度較差。
技術實現思路
有鑒於此，本專利技術實施例的目的在於提供一種基於改進SIFT的圖像特徵檢測方法及裝置，以解決上述技術問題。第一方面，本專利技術實施例提供了一種基於改進S...

【技術保護點】
1.一種基於改進SIFT的圖像特徵檢測方法，其特徵在於，包括：獲取待檢測圖像和對應的標准圖像；利用尺度不變特徵變換SIFT演算法對所述待檢測圖像和所述標准圖像進行圖像匹配，獲得多對匹配點；計算所述匹配點之間的鄰域直徑比和方向角度差；根據所述鄰域直徑比和所述方向角度差對所述匹配點進行剔除，獲得正確匹配點，以獲得所述待檢測圖像中的特徵。