《Visual C++数字图像模式识别技术详解(第2版)》一3.6 实践知识拓展-阿里云开发者社区

开发者社区> 华章出版社> 正文

《Visual C++数字图像模式识别技术详解(第2版)》一3.6 实践知识拓展

简介: 本节书摘来自华章出版社《Visual C++数字图像模式识别技术详解(第2版)》一 书中的第3章,第3.6节,作者:冯伟兴 贺波 王臣业,更多章节内容可以访问云栖社区“华章计算机”公众号查看。

3.6 实践知识拓展

Sift算法是Lowe提出的一种比较奇特的特征点提取算法。它选择高斯残差在尺度空间上的极值点为特征点,并计算特征点局部邻域内的梯度方向直方图为描述子。这种算法将图像金字塔结构引入尺度空间以减少计算量,同时针对128维的特征向量空间,使用了BBF(Best Bin First)算法加快搜索过程,取得了较好的效果。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。
总体来说,Sift算子具有以下特性:
1)Sift特征是图像的局部特征,对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性,对视觉变化、仿射变换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。
4)速度相对较快,经优化的Sift匹配算法甚至可以达到实时的要求。
5)可扩展性强,可以很方便地与其他形式的特征向量进行联合。
Sift特征匹配算法主要包括两个阶段,一个是Sift特征的生成,即从多幅图像中提取对尺度缩放、旋转、亮度变化无关的特征向量;第二阶段是Sift特征向量的匹配。
Sift特征的生成一般包括以下几个步骤:
1)构建尺度空间,检测极值点,获得尺度不变性;
2)特征点过滤并进行精确定位;
3)为特征点分配方向值;
4)生成特征描述子。
最后,以特征点为中心取16×16的邻域作为采样窗口,将采样点与特征点的相对方向通过高斯加权后,归入包含8个bin的方向直方图,最后获得4×4×8的128维特征描述子。

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:

华章出版社

官方博客
官网链接