Sift尺度不变特征变换匹配算法
Scale Invariant Feature Transform
主要的思路就是使用高斯金字塔和高斯核滤波查分来提取局部特征。在尺度空间当中寻找极值点,提取位置、尺度和旋转不变量。
Sigema代表高斯分布的方差,尺度空间可以定义为原始图像I(x,y)与一个可变吃段高斯函数G(x,y,sigema), 。 Sigema,sigema是高斯金字塔的尺度参数,sigema越小,图像被平滑越小,相应的尺度就越小。当sigema连续变化,G(x,y,z)就生成了图像的尺度空间。 先介绍一下尺度空间理论: 用来模拟图像数据的多尺度特征,高斯卷积核是实现初读变化的唯一线性核:
讯享网
模板大小为m*n的模板元素(x,y),对整个图像进行滑移,在滑移之前,要注意边界的影响。
Sigema取值的不同,会导致不同的边缘处理效果。
使用不同的系数k的sigema,会生成一系列高斯特征:
讯享网如上图所示,想生成一阶的图,同一阶的图的sigema相同,但是k不同,然后使用个点取样的方法,生成第二阶的图形,继续使用不同倍数的sigema来对图形进行遍历,得到第二届高斯图。
为了有效的在尺度空间当中检测到关

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容,请联系我们,一经查实,本站将立刻删除。
如需转载请保留出处:https://51itzy.com/kjqy/81905.html