首頁 > 產(chǎn)品 > 知識 > sift特征，如何獲取一個點的SIFT特征

sift特征，如何獲取一個點的SIFT特征

來源：整理時間：2023-08-29 22:23:03 編輯：智能門戶手機版

本文目錄一覽

1，如何獲取一個點的SIFT特征
2，為什么提取到的sift特征具有不變性各位大蝦幫幫我吧
3，sift特征點的主方向代表什么
4，sift算是是屬于圖像匹配還是圖像配準
5，怎么對harris角點進行sift描述
6，cnn特征和sift特征的區(qū)別

1，如何獲取一個點的SIFT特征

可以c參考matlab中自帶的surf特征的做法

如何獲取一個點的SIFT特征

2，為什么提取到的sift特征具有不變性各位大蝦幫幫我吧

SIFT有尺度不變性，這個是由尺度金字塔的構(gòu)造造成的。SIFT有旋轉(zhuǎn)不變性，這個是因為會計算描述子的主方向，然后匹配時檢查匹配點的主方向。SIFT有光照不變性，這個是由于描述的是梯度特征，梯度只是看對比，因此和其他的不同。你先看論文，花一天時間看了一遍，什么都懂了。

支持一下感覺挺不錯的

為什么提取到的sift特征具有不變性各位大蝦幫幫我吧

3，sift特征點的主方向代表什么

描述的時候用梯度描述，這點知道吧？對梯度方向進行直方圖處理。會有峰值啊。把第一峰值的方向設(shè)置為主方向。如果第二峰值的量度達到了第一峰值的百分之八十，那么把第二個峰值的方向也設(shè)置一個主方向。

這些特征點可以視為圖像的壓縮版本，在某種程度上代表了圖像。有這些特征點，可以和另一幅圖像進行匹配，用兩個圖像的特征點計算匹配程度。

sift特征點的主方向代表什么

4，sift算是是屬于圖像匹配還是圖像配準

sift匹配（scale-invariant feature transform，尺度不變特征轉(zhuǎn)換)是一種電腦視覺的算法用來偵測與描述影像中的局部性特征，它在空間尺度中尋找極值點，并提取出其位置、尺度、旋轉(zhuǎn)不變量，此算法由 david lowe 在1999年所發(fā)表，2004年完善總結(jié)。其應(yīng)用范圍包含物體辨識、機器人地圖感知與導(dǎo)航、影像縫合、3d模型建立、手勢辨識、影像追蹤和動作比對。局部影像特征的描述與偵測可以幫助辨識物體，sift 特征是基于物體上的一些局部外觀的興趣點而與影像的大小和旋轉(zhuǎn)無關(guān)。對于光線、噪聲、些微視角改變的容忍度也相當高?；谶@些特性，它們是高度顯著而且相對容易擷取，在母數(shù)龐大的特征數(shù)據(jù)庫中，很容易辨識物體而且鮮有誤認。使用 sift特征描述對于部分物體遮蔽的偵測率也相當高，甚至只需要3個以上的sift物體特征就足以計算出位置與方位。在現(xiàn)今的電腦硬件速度下和小型的特征數(shù)據(jù)庫條件下，辨識速度可接近即時運算。sift特征的信息量大，適合在海量數(shù)據(jù)庫中快速準確匹配。2、sift特征的主要特點從理論上說，sift是一種相似不變量，即對圖像尺度變化和旋轉(zhuǎn)是不變量。然而，由于構(gòu)造sift特征時，在很多細節(jié)上進行了特殊處理，使得sift對圖像的復(fù)雜變形和光照變化具有了較強的適應(yīng)性，同時運算速度比較快，定位精度比較高。如：在多尺度空間采用dog算子檢測關(guān)鍵點，相比傳統(tǒng)的基于log算子的檢測方法，運算速度大大加快；關(guān)鍵點的精確定位不僅提高了精度，而且大大提高了關(guān)鍵點的穩(wěn)定性；在構(gòu)造描述子時，以子區(qū)域的統(tǒng)計特性，而不是以單個像素作為研究對象，提高了對圖像局部變形的適應(yīng)能力；

圖像匹配是在大圖像中尋找與小圖像（模板）相似的區(qū)域。圖像配準是將兩幅尺寸相當?shù)膱D像映射到同一個坐標系中，使它們的特征對應(yīng)。其中一幅圖像的坐標不變，稱為固定圖像，另一幅圖像要平移、旋轉(zhuǎn)、縮放，稱為浮動圖像，對號入座吧

5，怎么對harris角點進行sift描述

像素變化值，在局部圖像塊中，該值最大的點為角點。Harris算子將Moravec算子做了兩個推廣： 1）用像素的變化梯度代替像素值相減并引入高斯窗函數(shù)（舉個x方向上變化的例子為證）。引入高斯窗是為了濾除噪聲的干擾。 [-1,0,1]:x方向上的偏導(dǎo)，[-1,0,1]T:y方向上的偏導(dǎo)。 2）推廣出了一個公式這樣可以計算任意方向上的像素值變化，而不在是8個固定的方向。

6，cnn特征和sift特征的區(qū)別

一、特征點（角點）匹配　　圖像匹配能夠應(yīng)用的場合非常多，如目標跟蹤，檢測，識別，圖像拼接等，而角點匹配最核心的技術(shù)就要屬角點匹配了，所謂角點匹配是指尋找兩幅圖像之間的特征像素點的對應(yīng)關(guān)系，從而確定兩幅圖像的位置關(guān)系。　　角點匹配可以分為以下四個步驟：　　1、提取檢測子：在兩張待匹配的圖像中尋找那些最容易識別的像素點（角點），比如紋理豐富的物體邊緣點等?！　?、提取描述子：對于檢測出的角點，用一些數(shù)學上的特征對其進行描述，如梯度直方圖，局部隨機二值特征等。檢測子和描述子的常用提取方法有：sift，harris，surf，fast，agast，brisk，freak，brisk，brief/orb等?！　?、匹配：通過各個角點的描述子來判斷它們在兩張圖像中的對應(yīng)關(guān)系，常用方法如 flann等?！　?、消噪：去除錯誤匹配的外點，保留正確的匹配點。常用方法有KDTREE，BBF，Ransac，GTM等。　　二、SIFT匹配方法的提出　　為了排除因為圖像遮擋和背景混亂而產(chǎn)生的無匹配關(guān)系的關(guān)鍵點，SIFT的作者Lowe提出了比較最近鄰距離與次近鄰距離的SIFT匹配方式：取一幅圖像中的一個SIFT關(guān)鍵點，并找出其與另一幅圖像中歐式距離最近的前兩個關(guān)鍵點，在這兩個關(guān)鍵點中，如果最近的距離除以次近的距離得到的比率ratio少于某個閾值T，則接受這一對匹配點。因為對于錯誤匹配，由于特征空間的高維性，相似的距離可能有大量其他的錯誤匹配，從而它的ratio值比較高。顯然降低這個比例閾值T，SIFT匹配點數(shù)目會減少，但更加穩(wěn)定，反之亦然?！　owe推薦ratio的閾值為0.8，但作者對大量任意存在尺度、旋轉(zhuǎn)和亮度變化的兩幅圖片進行匹配，結(jié)果表明ratio取值在0. 4~0. 6 之間最佳，小于0. 4的很少有匹配點，大于0. 6的則存在大量錯誤匹配點，所以建議ratio的取值原則如下:　　ratio=0. 4：對于準確度要求高的匹配；　　ratio=0. 6：對于匹配點數(shù)目要求比較多的匹配；　　ratio=0. 5：一般情況下?！　∪?、常見的SIFT匹配代碼　　1、vlfeat中sift toolbox中的vl_ubcmatch.c使用的是普通的歐氏距離進行匹配（該SIFT代碼貢獻自AndreaVedaldi）。