文档介绍：.页眉. .页脚. SIFT 特征点匹配算法基于 SIFT 方法的图像特征匹配可分为特征提取和特征匹配两个部分, 可细化分为五个部分: 1 尺度空间极值检测( Scale-space extrema detection ); 2 精确关键点定位( Keypoint localization ) 3 关键点主方向分配( Orientation assignment ) 4 关键点描述子生成( Keypoint descriptor generation ) 5 比较描述子间欧氏距离进行匹配( Comparing the Euclidean distance of the descriptors for matching ) 尺度空间极值检测特征关键点的性质之一就是对于尺度的变化保持不变性。因此我们所要寻找的特征点必须具备的性质之一, 就是在不同尺度下都能被检测出来。要达到这个目的, 我们可以在尺度空间内寻找某种稳定不变的特性。 Koenderink 和 Lindeberg 已经证明,变换到尺度空间唯一的核函数是高斯函数。因此一个图像的尺度空间定义为: ( , , ) L x y ?,是由可变尺度的高斯函数( , , ) G x y ?与输入图像( , ) I x y 卷积得到,即: ),(),,(),,(yxIyxGyxL????( ) 其中: 2/)(22 1),,( ???? yxeyxG ???在实际应用中,为了能相对高效地计算出关键点的位置,建议使用的是差分高斯函数( difference of Gaussian ) ( , , ) D x y ?。其定义如下: ),,(),,( ),( )),,(),,((),,(?????yxLkyxL yxIyxGkyxGyxD?????( ) 如上式, D 即是两个相邻的尺度的差(两个相邻的尺度在尺度上相差一个相乘系数 k)。.页眉. .页脚. 图 图 所展示的是建立 DOG 的一种实用的方法。初始图像与不同σ值的高斯函数卷积, 得到一垛模糊后的图像, 然后将这一垛模糊图像临近两两相减即得所对应的 DOG 。这些模糊后的图像以 k 为系数在尺度空间里被分隔开, 并且该垛内最高的尺度应是最低尺度的 2倍。为了能开展后续工作(与尺度空间极值检测相关,将在后续文章中作出解释)并满足上述要求, 每垛需要通过卷积得到 s+3 个模糊后的图像,并且 s和k 需要具有关系 sk /12?。在一垛图像建立完毕后,还需要降采样得到下一垛图像的 DOG 。在实际操作中首先用 2 倍于第一垛图像的σ值建立出模糊图像, 然后再将此垛图像降采样, 即每 2 个像素抽出一个像素,就可以得到下一垛图像的 DOG 。在上述工作完成后, 所要完成的就是尺度空间的极值检测。 DOG 上的某个像素要和本尺度的 8 个相邻像素以及上下相邻尺度各 9 个相邻像素比较。这样做的目的是为了确保图像在尺度空间和二维图像空间均检测到极值点。如果该像素点在这所有参与比较的点中有最大值或者最小值,则认为该像素点是尺度空间的极值点之一。图 表示这种极值检测的原理。图 另外需要注意的是,上述的尺度空间极值点检测在每一个垛中都要进行。. .页脚. 极值点总和是所有垛中所检测到的极值