图像金字塔(pyramid)与 SIFT 图像特征提取(feature extractor)
0. 图像金字塔变换(matlab)
matlab 对图像金字塔变换接口的支持(impyramid
),十分简单好用。
其支持在reduce
和expand
两种方式的变换,分别是成比例的缩小和放大。
% 加载图像数据到内存
I = imread('cameraman.tif'); size(I)
% reduce ==> {2, 4, 8}
I1 = impyramid(I, 'reduce'); size(I1)
I2 = impyramid(I1, 'reduce'); size(I2)
I3 = impyramid(I2, 'reduce'); size(I3)
figure
a1 = subplot(1, 4, 1); imshow(I),
xs = get(a1, 'xlim'); ys = get(a1, 'ylim');
a2 = subplot(1, 4, 2); imshow(I1),
set(a2, 'xlim', xs, 'ylim', ys);
a3 = subplot(1, 4, 3); imshow(I2),
set(a3, 'xlim', xs, 'ylim', ys);
a4 = subplot(1, 4, 4); imshow(I3)
set(a4, 'xlim', xs, 'ylim', ys);
I1 = impyramid(I, 'expand'); size(I1)
I2 = impyramid(I1, 'expand'); size(I2)
I3 = impyramid(I2, 'expand'); size(I3)
figure
a1 = subplot(1, 4, 1); imshow(I3),
xs = get(a1, 'xlim'); ys = get(a1, 'ylim');
a2 = subplot(1, 4, 2); imshow(I2),
set(a2, 'xlim', xs, 'ylim', ys);
a3 = subplot(1, 4, 3); imshow(I1),
set(a3, 'xlim', xs, 'ylim', ys);
a4 = subplot(1, 4, 4); imshow(I)
set(a4, 'xlim', xs, 'ylim', ys);
1. SIFT
SIFT(Scale-invariant feature transform)是一种检测局部特征的算法,该算法通过求一幅图中的特征点(interest points,or corner points)及其有关 scale 和 orientation 的描述子(descriptor)得到特征并进行图像特征点匹配,获得了良好效果。
整个算法分为以下几个部分:
1、构建尺度空间
这是一个初始化操作,尺度空间理论目的是模拟图像数据的多尺度特征。
高斯卷积核是实现尺度变换的唯一线性核,于是一副二维图像的尺度空间(多尺度特征自然在尺度空间中定义)定义为:
L(x,y,σ)=G(x,y,σ)⋆I(x,y)二维的高斯卷积核的形式为:G(x,y,σ)=12πσ2e−(x2+y2)/2σ2
σ 大小决定图像的平滑程度,大尺度对应图像的概貌特征,小尺度对应图像的细节特征。大的 σ 值对应粗糙尺度(低分辨率),反之,对应精细尺度(高分辨率)。为了有效的在尺度空间检测到稳定的关键点,提出了高斯差分尺度空间(DOG scale-space)。利用不同尺度的高斯差分核与图像卷积生成。
D(x,y,σ)==(G(x,y,kσ)−G(x,y,σ))⋆I(x,y)L(x,y,kσ)−L(x,y,σ)图像金字塔的建立:对于一幅图像I,建立其在不同尺度(scale)的图像,也成为子八度(octave),这是为了scale-invariant,也就是在任何尺度都能够有对应的特征点,第一个子八度的scale为原图大小,后面每个octave为上一个octave降采样的结果,即原图的1/4(长宽分别减半),构成下一个子八度(高一层金字塔)。
2、LoG 近似 DoG 找到关键点<检测DOG尺度空间极值点>
为了寻找尺度空间的极值点,每一个采样点要和它所有的相邻点比较,看其是否比它的图像域和尺度域的相邻点大或者小。如图所示,中间的检测点和它同尺度的8个相邻点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。 一个点如果在DOG尺度空间本层以及上下两层的26个领域中是最大或最小值时,就认为该点是图像在该尺度下的一个特征点,如图所示。
3、除去不好的特征点
最新文章
- C#编程:SqlCommand.Parameters.Add()方法的参数问题。
- Andrew Ng机器学习公开课笔记 -- Regularization and Model Selection
- 解决Eclipse建立Maven项目后无法建立src/main/java资源文件夹的办法
- 用Python组合Celery Redis RabbitMQ进行分布式数据抓取
- uva387 - A Puzzling Problem
- 标签 Attribute
- Flask Jinjia2 与 react
- Principle使用教程
- oracle存储过程+游标处理select数据
- Java线程详解----借鉴
- POI处理Excel中的日期数据类型
- LeetCode 191. Number of 1 bits (位1的数量)
- sqlite相关使用
- c++入门之再话命名空间的意义
- 20165237 2017-2018-2 《Java程序设计》第4周学习总结
- python3之协程
- CentOS 7.0 安装配置LAMP服务器方法(Apache+PHP+MariaDB)(转)
- Spring 注解@Component,@Service,@Controller,@Repository
- 使用scrapy_redis,实时增量更新东方头条网全站新闻
- android头像上传(获取头像加剪切)
热门文章
- 23种设计模式——Prototype模式
- C#+AE实现类似IDentify功能及对高亮显示相关接口的总结
- 无意中发现Markdown,最终解放了我
- 根据PID获取进程名&;根据进程名获取PID
- C#操作SqlServer MySql Oracle通用帮助类
- [Recompose] Show a Spinner While a Component is Loading using Recompose
- jquery-9 京东和酒仙网左侧导航如何实现
- 嵌入式linux串口通信自发自收测试程序
- 【u015】兽径管理
- svn: E200033: database is locked解决办法