SIFT算法

尺度不变特征变换匹配算法(Scale Invariant Feature Transform 简称SIFT)

SIFT算法常用来提取用于描述影像中的局部性特征,算法主要从空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变量

算法过程:

  1. 对图像进行不同尺度的高斯模糊和降采样,构建高斯金字塔
  2. 借助高斯差分函数(DOG算子)代替微分检测离散空间的极值,作为兴趣点
  3. 通过拟合三维二次函数与插值,排除不显著与边缘的兴趣点,保留关键点
  4. 采集关键点在高斯金字塔邻域内像素的梯度与方向,分配主方向给关键点
  5. 保留峰值大于主方向峰值80%的方向作为该关键点的辅方向,增强匹配的鲁棒性
  6. 对关键点建立向量描述(位置、尺度、方向、光照/视角变化等),形成SIFT特征

算法优点:

  • 对旋转、尺度缩放、亮度变化保持不变性
  • 对视角变化、仿射变换、噪声容忍度较高
  • 特征信息丰富、独特,可拓展性强
  • 特征计算成本较低,可以达到实时的要求

算法缺点:

  • 实时性一般,有时提取的特征偏少
  • 难以应对模糊或边缘光滑的图像

参考:

SIFT算法详解

#SIFT

往年同期文章