JiePro

摘要：SIFT算法：DoG尺度空间生产SIFT算法：KeyPoint找寻、定位与优化SIFT算法：确定特征点方向SIFT算法：特征描述子目录：1、确定描述子采样区域2、生成描述子 2.1 旋转图像至主方向 2.2 生成特征向量3、归一化特征向量附：SIFT开源代码集1确定描述子采样区域 SIFI 描述子h(x, y, θ)是对特征点附近邻域内高斯图像梯度统计结果的一种表示，它是一个三维的阵列，但通常将它表示成一个矢量。矢量是通过对三维阵列按一定规律进行排列得到的。特征描述子与特征点所在的尺度有关，因此，对梯度的求取应在特征点对应的高斯图像上进行。将特征点附近邻域划分成Bp X Bp个子区域，每... 阅读全文

摘要：SIFT算法：DoG尺度空间生产SIFT算法：KeyPoint找寻、定位与优化SIFT算法：确定特征点方向SIFT算法：特征描述子目录：1、计算邻域梯度方向和幅值2、计算梯度方向直方图3、确定特征点方向1 计算邻域梯度方向和幅值 为了实现图像旋转的不变性，需要根据检测到的特征点的局部图像结构求得一个方向基准。我们使用图像梯度的方法求取该局部结构的稳定方向。对于己经检测到特征点，我们知道该特征点的尺度值σ，因此根据这一尺度值，在GSS中得到最接近这一尺度值的高斯图像。然后使用有限差分，计算以特征点为中心，以3X1.5σ为半径的区域内图像梯度的幅角和幅值，如下图所示。幅角和幅值计算公式加下:2 . 阅读全文

摘要：SIFT算法：DoG尺度空间生产SIFT算法：KeyPoint找寻、定位与优化SIFT算法：确定特征点方向SIFT算法：特征描述子目录：1、找寻2、定位3、优化1 KeyPoint找寻 极值的检测是在DoG空间进行的，检测是以前点为中心，3pixel*3pixel*3pixel的立方体为邻域，判断当前点是否为局部最大或最小。如下图所示，橘黄色为当前检测点，绿色点为其邻域。因为要比较当前点的上下层图像，所以极值检测从DoG每层的第2幅图像开始，终止于每层的倒数第2幅图像（第1幅没有下层，最后1幅没有上层，无法比较）。2 KeyPoint定位 以上极值点的搜索时在离散空间中进行的，检测到的极值.. 阅读全文

摘要：SIFT算法：DoG尺度空间生产SIFT算法：KeyPoint找寻、定位与优化SIFT算法：确定特征点方向SIFT算法：特征描述子目录：1、高斯尺度空间（GSS - Gauss Scale Space）2、高斯差分（DOG - Difference of Gauss） 2.1 生产DoG 2.2 为什么用DoG来检测特征点3、GSS尺度选择 3.1 GSS中尺度值的产生 3.2 高斯核性质及其在SIFT中的应用1 GSS(Gauss Scale-space) It has been shown by Koenderink (1984) and Lindeberg (1994) tha... 阅读全文