本文目录一览

1，如何获取一个点的SIFT特征

可以c参考matlab中自带的surf特征的做法

如何获取一个点的SIFT特征

2，为什么提取到的sift特征具有不变性各位大虾帮帮我吧

SIFT有尺度不变性，这个是由尺度金字塔的构造造成的。SIFT有旋转不变性，这个是因为会计算描述子的主方向，然后匹配时检查匹配点的主方向。SIFT有光照不变性，这个是由于描述的是梯度特征，梯度只是看对比，因此和其他的不同。你先看论文，花一天时间看了一遍，什么都懂了。
支持一下感觉挺不错的

为什么提取到的sift特征具有不变性各位大虾帮帮我吧

3，sift特征点的主方向代表什么

描述的时候用梯度描述，这点知道吧？对梯度方向进行直方图处理。会有峰值啊。把第一峰值的方向设置为主方向。如果第二峰值的量度达到了第一峰值的百分之八十，那么把第二个峰值的方向也设置一个主方向。
这些特征点可以视为图像的压缩版本，在某种程度上代表了图像。有这些特征点，可以和另一幅图像进行匹配，用两个图像的特征点计算匹配程度。

sift特征点的主方向代表什么

4，sift算是是属于图像匹配还是图像配准

sift匹配（scale-invariant feature transform，尺度不变特征转换)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 david lowe 在1999年所发表，2004年完善总结。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3d模型建立、手势辨识、影像追踪和动作比对。 局部影像特征的描述与侦测可以帮助辨识物体，sift 特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用 sift特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的sift物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。sift特征的信息量大，适合在海量数据库中快速准确匹配。2、sift特征的主要特点 从理论上说，sift是一种相似不变量，即对图像尺度变化和旋转是不变量。然而，由于构造sift特征时，在很多细节上进行了特殊处理，使得sift对图像的复杂变形和光照变化具有了较强的适应性，同时运算速度比较快，定位精度比较高。如： 在多尺度空间采用dog算子检测关键点，相比传统的基于log算子的检测方法，运算速度大大加快； 关键点的精确定位不仅提高了精度，而且大大提高了关键点的稳定性； 在构造描述子时，以子区域的统计特性，而不是以单个像素作为研究对象，提高了对图像局部变形的适应能力；
图像匹配是在大图像中寻找与小图像（模板）相似的区域。图像配准是将两幅尺寸相当的图像映射到同一个坐标系中，使它们的特征对应。其中一幅图像的坐标不变，称为固定图像，另一幅图像要平移、旋转、缩放，称为浮动图像，对号入座吧

5，怎么对harris角点进行sift描述

像素变化值，在局部图像块中，该值最大的点为角点。Harris算子将Moravec算子做了两个推广： 1）用像素的变化梯度代替像素值相减并引入高斯窗函数（举个x方向上变化的例子为证）。 引入高斯窗是为了滤除噪声的干扰。 [-1,0,1]:x方向上的偏导，[-1,0,1]T:y方向上的偏导。 2）推广出了一个公式这样可以计算任意方向上的像素值变化，而不在是8个固定的方向。
sift匹配（scale-invariant feature transform，尺度不变特征转换)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 david lowe 在1999年所发表，2004年完善总结。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3d模型建立、手势辨识、影像追踪和动作比对。 局部影像特征的描述与侦测可以帮助辨识物体，sift 特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用 sift特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的sift物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。sift特征的信息量大，适合在海量数据库中快速准确匹配。2、sift特征的主要特点 从理论上说，sift是一种相似不变量，即对图像尺度变化和旋转是不变量。然而，由于构造sift特征时，在很多细节上进行了特殊处理，使得sift对图像的复杂变形和光照变化具有了较强的适应性，同时运算速度比较快，定位精度比较高。如： 在多尺度空间采用dog算子检测关键点，相比传统的基于log算子的检测方法，运算速度大大加快； 关键点的精确定位不仅提高了精度，而且大大提高了关键点的稳定性； 在构造描述子时，以子区域的统计特性，而不是以单个像素作为研究对象，提高了对图像局部变形的适应能力；

6，cnn特征和sift特征的区别

一、特征点（角点）匹配　　图像匹配能够应用的场合非常多，如目标跟踪，检测，识别，图像拼接等，而角点匹配最核心的技术就要属角点匹配了，所谓角点匹配是指寻找两幅图像之间的特征像素点的对应关系，从而确定两幅图像的位置关系。　　角点匹配可以分为以下四个步骤：　　1、提取检测子：在两张待匹配的图像中寻找那些最容易识别的像素点（角点），比如纹理丰富的物体边缘点等。　　2、提取描述子：对于检测出的角点，用一些数学上的特征对其进行描述，如梯度直方图，局部随机二值特征等。检测子和描述子的常用提取方法有：sift，harris，surf，fast，agast，brisk，freak，brisk，brief/orb等。　　3、匹配：通过各个角点的描述子来判断它们在两张图像中的对应关系，常用方法如 flann等。　　4、消噪：去除错误匹配的外点，保留正确的匹配点。常用方法有KDTREE，BBF，Ransac，GTM等。　　二、SIFT匹配方法的提出　　为了排除因为图像遮挡和背景混乱而产生的无匹配关系的关键点，SIFT的作者Lowe提出了比较最近邻距离与次近邻距离的SIFT匹配方式：取一幅图像中的一个SIFT关键点，并找出其与另一幅图像中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离得到的比率ratio少于某个阈值T，则接受这一对匹配点。因为对于错误匹配，由于特征空间的高维性，相似的距离可能有大量其他的错误匹配，从而它的ratio值比较高。显然降低这个比例阈值T，SIFT匹配点数目会减少，但更加稳定，反之亦然。　　Lowe推荐ratio的阈值为0.8，但作者对大量任意存在尺度、旋转和亮度变化的两幅图片进行匹配，结果表明ratio取值在0. 4~0. 6 之间最佳，小于0. 4的很少有匹配点，大于0. 6的则存在大量错误匹配点，所以建议ratio的取值原则如下:　　ratio=0. 4：对于准确度要求高的匹配；　　ratio=0. 6：对于匹配点数目要求比较多的匹配；　　ratio=0. 5：一般情况下。　　三、常见的SIFT匹配代码　　1、vlfeat中sift toolbox中的vl_ubcmatch.c使用的是普通的欧氏距离进行匹配（该SIFT代码贡献自AndreaVedaldi）。

文章TAG：特征  如何  获取  一个  sift特征  
下一篇