sift算法的原理

Ⅰ sift算法是什么

Sift算法是David Lowe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。

这一算法的灵感也十分的直观，人眼观测两张图片是否匹配时会注意到其中的典型区域（特征点部分），如果我们能够实现这一特征点区域提取过程，再对所提取到的区域进行描述就可以实现特征匹配了。

sift算法的应用

SIFT算法目前在军事、工业和民用方面都得到了不同程度的应用，其应用已经渗透了很多领域，典型的应用如下：物体识别；机器人定位与导航；图像拼接；三维建模；手势识别；视频跟踪；笔记鉴定；指纹与人脸识别；犯罪现场特征提取。

Ⅱ sift算法是怎么么实现尺度不变的

关键字：高斯尺度金字塔

打个比方，人近视眼就是一个高斯blur，blur的越大说明尺度越大。
SIFT通过不同sigma的高斯blur参数，模拟出了不同尺度的特征。
然后用DOG图像求的关键点。

看论文吧，一两句说不清楚。

Ⅲ 刚学sift算法，有些概念不明白，sift的第一步是找尺度空间的极值点，什么是尺度空间的极值点

先建立DoG尺度空间，然后确定S的值，最后比较DoG尺度空间中每个像素点和它邻近的26个点，确保尺度空间和二维图像空间都检测得到极值点，这些像素点的集合就是候选的关键点了。

Ⅳ 经典图像特征|SIFT HOG LBP Haar

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

        尺度不变特征转换即SIFT (Scale-invariant feature transform)是一种计算机视觉的算法。它用来 侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量 。局部影像特征的描述与侦测可以帮助辨识物体，SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。

     SIFT算法的实质是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向 。SIFT所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。

    在一副图像中，局部目标的表象和形状（appearance and shape）能够被梯度或边缘的方向密度分布很好地描述。首先将图像分成小的连通区域，我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。

大概过程：

HOG特征提取方法就是将一个image（你要检测的目标或者扫描窗口）：

1）灰度化（将图像看做一个x,y,z（灰度）的三维图像）；

2）采用Gamma校正法对输入图像进行颜色空间的标准化（归一化）；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；

3）计算图像每个像素的梯度（包括大小和方向）；主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。

4）将图像划分成小cells（例如6*6像素/cell）；

5）统计每个cell的梯度直方图（不同梯度的个数），即可形成每个cell的descriptor；

6）将每几个cell组成一个block（例如3*3个cell/block），一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。

7）将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image（你要检测的目标）的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。

    LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显着的优点。原始的LBP算子定义为在3*3的窗口内，以窗口中心像素为阈值，将 相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。 这样，3*3邻域内的8个点经比较可产生8位二进制数（通常转换为十进制数即LBP码，共256种），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。

提取的步骤

（1）首先将检测窗口划分为16×16的小区域（cell）；

（2）对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；

（3）然后计算每个cell的直方图，即每个数字（假定是十进制数LBP值）出现的频率；然后对该直方图进行归一化处理。

（4）最后将得到的每个cell的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量；

    Haar特征分为三类： 边缘特征、线性特征、中心特征和对角线特征，组合成特征模板 。特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的灰度变化情况。例如：脸部的一些特征能由矩形特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。但矩形特征只对一些简单的图形结构，如边缘、线段较敏感，所以只能描述特定走向（水平、垂直、对角）的结构。通过改变特征模板的大小和位置，可在图像子窗口中穷举出大量的特征。 特征模板称为“特征原型”；特征原型在图像子窗口中扩展（平移伸缩）得到的特征称为“矩形特征”；矩形特征的值称为“特征值”。

    矩形特征可位于图像任意位置，大小也可以任意改变，所以矩形特征值是矩形模版类别、矩形位置和矩形大小这三个因素的函数。故类别、大小和位置的变化，使得很小的检测窗口含有非常多的矩形特征，如：在24*24像素大小的检测窗口内矩形特征数量可以达到16万个。这样就有两个问题需要解决了：（1）如何快速计算那么多的特征？—积分图大显神通；（2）哪些矩形特征才是对分类器分类最有效的？

Ⅳ 图像特征提取方法

特点：
1、局部特征
2、对旋转，缩放，亮度变化保持不变性
3、高速性

缺点：
1、局部特征
2、对边缘光滑的图像难以准确提取特征点

原理：
1、在尺度空间（例如高斯金字塔）上搜寻keypoints兴趣点（对于尺度和旋转不变）
2、筛选上一步获得的兴趣点
（1）对空间中的极值点进行精确定位
（2）用Hessian矩阵消除边缘效应3、在选定的尺度下，在兴趣点附近构造梯度方向直方图
4、对直方图进行统计，以此来描述此keypoints

总结：
这个方法是通过寻找通过高斯模糊来构造不同尺度下的高斯尺度空间金字塔，通过遍历所有点，找出尺度空间中的极值点（与26个点进行比较，分别是这一层的周围8个点，以及上下两层的9个点）。在初步探查之后，通过对尺度空间下的DoG函数进行拟合，来确定keypoints的精确位置。DoG算子的缺点是有较强的边缘效应，在消除边缘效应之后，得到的就是筛选后的精确keypoints。最后就是对找到的keypoints统计梯度方向直方图，并将其向量化。

简单来说，这个方法由于其旋转及尺度不变性，主要被应用于图片匹配的应用中。

参考链接1
参考链接2

原理：
1、图片预处理：灰度化，亮度空间标准化
2、计算图中每个像素的梯度
3、将图像划分成一个个cell
4、统计每个cell内的梯度直方图
5、将每几个cell组成一个block，将该block内的所有cell的的梯度特征串起来组成该block内的HoG特征
6、将整张图内的所有block的HoG向量串起来组成此图的HoG特征向量（可归一化）

总结：
这个方法通过设定不同大小的cell以及block作为参数，统计出整张图像的梯度特征（梯度可以反应物体的形状，边缘等特征），通过cell以及block的形式去统计局部特征。该方法配合SVM曾是图像分类任务中最为常用的。

参考链接1
参考链接2

步骤：
1、确定cell大小
2、遍历cell中的像素，将其周围的8个像素与其相比较，若大于中心像素，则对应像素标记为1，否则为0
3、统计cell中的二值直方图，全部串起来组成图像的特征向量

总结：
这个方法通过二值降维的方式，提取出了图像的纹理特征，并且有效的减少了高频噪声的影响。

参考链接

步骤：
1、构建Hessian矩阵，生成所有的边缘点
2、构建尺度空间金字塔
3、keypoints定位，对第一步生成的所有边缘点进行尺度空间中的极值筛选
4、进行SIFT中的精确定位
5、特征点主方向选择，与SIFT不同的是，SURF采用的是Harr算法中的扇形统计
6、统计4*4cell中的梯度值，并整合成特征向量

总结：
这个方法是SIFT的优化算法，通过在第一步构造Hessian矩阵选出边缘点作为第一批keypoints，减少了SIFT中所有点在尺度空间中的极值对比。同时，通过该用Harr的扇形统计并沿主方向统计特征，使得每一个cell中的向量维度由原来的128降到了64 。

参考链接

Ⅵ sift特征向量的维数

基于不变量技术的特征检测方法的基础上，提出的一种基于尺度空间的、对图像缩放、旋转、仿射变换、光照变化保持稳定性的图像局部特征描述算法-SIFT算子。SIFT特征点向量的生成由以下四步骤组成：1、在尺度空间中检测极值点；2、去除低对比度的极值点和不稳定的边缘极值点，得到特征点；3、计算特征点的方向参数；4、生成SIFT特征点向量，向量维数一般为128维。运用SIFT算法提取的SIFT特征点向量具有如下优点：1、SIFT特征是图像的局部特征，对旋转、尺度缩放、亮度变化保持不变化性，对视角变化、仿射变换、噪音也保持一定程度的稳定性；2、独特性好，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；3、多量性，即使少数的几个物体也可以产生大量SIFT特征向量。现有的SIFT算法具有一定的缺陷，对于图像的检测效率和检测精度较差。
技术实现思路
有鉴于此，本专利技术实施例的目的在于提供一种基于改进SIFT的图像特征检测方法及装置，以解决上述技术问题。第一方面，本专利技术实施例提供了一种基于改进S...

【技术保护点】
1.一种基于改进SIFT的图像特征检测方法，其特征在于，包括：获取待检测图像和对应的标准图像；利用尺度不变特征变换SIFT算法对所述待检测图像和所述标准图像进行图像匹配，获得多对匹配点；计算所述匹配点之间的邻域直径比和方向角度差；根据所述邻域直径比和所述方向角度差对所述匹配点进行剔除，获得正确匹配点，以获得所述待检测图像中的特征。