查看详情
   显示下一条  |  关闭
温馨提示!由于新浪微博认证机制调整,您的新浪微博帐号绑定已过期,请重新绑定!立即重新绑定新浪微博》  |  关闭

*^^* 寂寞的whitebaby

欢迎来到我的家,充满回忆的地方

 
 
 
 
 
 

上海市 徐汇区 白羊座

 发消息  写留言

 
いǒDê個性伱惹吥起                 ヤ 無限囂張.習慣寂寞‰〆┈
 
博客等级加载中...
今日访问加载中...
总访问量加载中...
最后登录加载中...
 
 
 
 
 
 
 
心情随笔列表加载中...
 
 
 
 
 
 
 
模块内容加载中...
 
 
 
 
 

追求梦想,实现自我

 
 
模块内容加载中...
 
 
 
 
 

日历

 
 
模块内容加载中...
 
 
 
 
 
 
 
 
 
 
 
网易云音乐 曲目表歌词秀
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
博友列表加载中...
 
 
 
 
 

天气

 
 
模块内容加载中...
 
 
 
 
 
 

自由的飞翔

 
 
模块内容加载中...
 
 
 
 
 
 
 

SIFT 特征提取算法总结

2013-5-27 15:31:39 阅读603 评论0 272013/05 May27

   主要步骤

  

  1)、尺度空间的生成;

  2)、检测尺度空间极值点;

  3)、精确定位极值点;

  4)、为每个关键点指定方向参数;

  5)、关键点描述子的生成。

              L(x,y,σ), σ= 1.6 a good tradeoff

               D(x,y,σ), σ= 1.6 a good tradeoff

 关于尺度空间的理解说明:图中的2是必须的,尺度空间是连续的。在  Lowe的论文中 ,

将第0层的初始尺度定为1.6,图片的初始尺度定为0.5. 在检测极值点前对原始图像的高斯

平滑以致图像丢失高频信息,所以 Lowe 建议在建立尺度空间前首先对原始图像长宽扩展

一倍,以保留原始图像信息,增加特征点数量。尺度越大图像越模糊。

    

next octave 是由 first octave 降采样得到(如2)

          ,

            尺度空间的所有取值,s为每组层数,一般为3~5

      同一组中的相邻尺度(由于k的取值关系,肯定是上下层)之间进行寻找

在极值比较的过程中,每一组图像的首末两层是无法进行极值比较的,为了满足尺度

作者  | 2013-5-27 15:31:39 | 阅读(603) |评论(0) | 阅读全文>>

【OpenCV】SIFT原理与源码分析:方向赋值

2013-3-26 10:38:46 阅读881 评论0 262013/03 Mar26

转:http://blog.csdn.net/xiaowei_cqu/article/details/8096072

《SIFT原理与源码分析》系列文章索引:http://blog.csdn.net/xiaowei_cqu/article/details/8069548

由前一篇《关键点搜索与定位》,我们已经找到了关键点。为了实现图像旋转不变性,需要根据检测到的关键点局部图像结构为特征点方向赋值。也就是在findScaleSpaceExtrema()函数里看到的alcOrientationHist()语句:

[cpp] view plaincopy

// 计算梯度直方图  float omax = calcOrientationHist(gauss_pyr[o*(nOctaveLayers+3) + layer],                             

作者  | 2013-3-26 10:38:46 | 阅读(881) |评论(0) | 阅读全文>>

【OpenCV】SIFT原理与源码分析:关键点搜索与定位

2013-3-26 10:37:46 阅读2038 评论0 262013/03 Mar26

转:http://blog.csdn.net/xiaowei_cqu/article/details/8087239

《SIFT原理与源码分析》系列文章索引:http://blog.csdn.net/xiaowei_cqu/article/details/8069548

由前一步《DoG尺度空间构造》,我们得到了DoG高斯差分金字塔:

如上图的金字塔,高斯尺度空间金字塔中每组有五层不同尺度图像,相邻两层相减得到四层DoG结果。关键点搜索就在这四层DoG图像上寻找局部极值点。

DoG局部极值点

寻找DoG极值点时,每一个像素点和它所有的相邻点比较,当其大于(或小于)它的图像域和尺度域的所有相邻点时,即为极值点。如下图所示,比较的范围是个3×3的立方体:中间的检测点和它同尺度的8个相邻点,以及和上下相邻尺度对应的9×2个点——共26个点比较,以确保在尺度空间和二维图像空间都检测到极值点。

作者  | 2013-3-26 10:37:46 | 阅读(2038) |评论(0) | 阅读全文>>

【OpenCV】SIFT原理与源码分析:DoG尺度空间构造

2013-3-26 10:36:35 阅读763 评论0 262013/03 Mar26

《SIFT原理与源码分析》系列文章索引:http://blog.csdn.net/xiaowei_cqu/article/details/8069548

尺度空间理论

自然界中的物体随着观测尺度不同有不同的表现形态。例如我们形容建筑物用“米”,观测分子、原子等用“纳米”。更形象的例子比如Google地图,滑动鼠标轮可以改变观测地图的尺度,看到的地图绘制也不同;还有电影中的拉伸镜头等等……

尺度空间中各尺度图像的模糊程度逐渐变大,能够模拟人在距离目标由近到远时目标在视网膜上的形成过程。

尺度越大图像越模糊。

转:http://blog.csdn.net/xiaowei_cqu/article/details/8067881为什么要讨论尺度空间?

用机器视觉系统分析未知场景时,计算机并不预先知道图像中物体的尺度。我们需要同时考虑图像在多尺度下的描述,获知感兴趣物体的最佳尺度。另外如果不同的尺度下都有同样的关键点,那么在不同的尺度的输入图像下就都可以检测出来关键点匹配,也就是尺度不变性。

作者  | 2013-3-26 10:36:35 | 阅读(763) |评论(0) | 阅读全文>>

【OpenCV】SIFT原理与源码分析

2013-3-26 10:35:17 阅读1258 评论0 262013/03 Mar26

转:http://blog.csdn.net/xiaowei_cqu/article/details/8069548

SIFT简介

Scale Invariant Feature Transform,尺度不变特征变换匹配算法,是由David G. Lowe在1999年(《Object Recognition from Local Scale-Invariant Features》)提出的高效区域检测算法,在2004年(《Distinctive Image Features from Scale-Invariant Keypoints》)得以完善。

SIFT特征对旋转、尺度缩放、亮度变化等保持不变性,是非常稳定的局部特征,现在应用很广泛。而SIFT算法是将Blob检测,特征矢量生成,特征匹配搜索等步骤结合在一起优化。我会更新一系列文章,分析SIFT算法原理及OpenCV 2.4.2实现的SIFT源码:

作者  | 2013-3-26 10:35:17 | 阅读(1258) |评论(0) | 阅读全文>>

查看所有日志>>

 
 
 
 
 
 我要留言
 
 
 
留言列表加载中...
 
 
 
 
 

欢迎你的到来

 
 
模块内容加载中...
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

页脚

网易公司版权所有 ©1997-2018

注册 登录  
 加关注