40 特征的提取与匹配.ppt

* * (0). Essential Equation represents actually the epipolar plane in either the left or the right image (1). Epipolar line in the right image given pl (Epl)Tpr=0 zr = fr extension of the equations in pr = (xr,yr,fr) (2). Epipolar line in the left image given pr (prTE) pl=0 zl = fl * * SUSAN算子 在整个区域内移动这个掩模,它与黑色区域将有不同的接触情况。不失一般性,在图中表示了其中的四种情况：在掩模所处的区域内,这些点与掩模核的灰度值如果相近的话,就称这些点构成的区域是USAN(Univalue Segment Assimilating Nucleus),即同化核分割相同值区域。根据这一定义可知上图各种情况下，由设定的掩模所确定的USAN如下图所示: SUSAN算子 图2是图1中相应掩模位置的USAN标识图,图中黑色区域即为USAN,可以看到USAN包含了图像结构的重要信息。掩模核及掩模完全包含在图像（黑色区域）中时，USAN的值最大；掩模核处在图像的一条直线边缘附近时，USAN值接近其最大值的一半；掩模核若在图像的一个角点处，则USAN值接近最大值的四分之一。在一幅图像中有哪些信誉好的足球投注网站图像角点或边缘点，就是有哪些信誉好的足球投注网站USAN最小（小于一定值）的点，即有哪些信誉好的足球投注网站最小化同化核分割相同值。这样可得到特征点检测的SUSAN算法。 SUSAN算子 构造一个（圆形）掩模，遍历图像的每一个点。判断掩模所掩盖的区域内的点与掩模的相似程度，采用以下相似比较函数: 掩模区域的USAN值为: n为USAN中像素个数，它给出了USAN值。 SUSAN算子 将与某固定阈值相比较，得到SUSAN算法对图像角点的响应函数如下式所示： 为n的最大值 为提高抗噪声干扰能力，在利用USAN值进行阈值比较时，不仅设定一个上限g，有时还设定一个下限d.下限的设定是为了排除孤立噪声点的干扰，通常情况下取2～10个像素。同时，利用USAN重心与核心点连线上的像素点的边缘初始值要相近的条件来消除错误的角点。 几种算子性能的比较 图像质量较好时 Forstner算子在纹理丰富地区特征点也丰富，在纹理匮乏地区几乎没有； Susan算子适合提取大量密集的特征点，速度很快； Harris算子提取的特征点分布较为均匀，且速度精度适中； 几种算子性能的比较 图像中噪声较多时 利用Harris算子不需设置阈值，整个过程的自动化程度高，可以根据匹配结果，定量调整提取的特征点数。同时它抗干扰强、精度高。 SUSAN算子提取特征点分布合理，较适合提取图像边缘上的拐点，由于它不需对图像求导数，所以也有较强的抗噪声能力，利用SUSAN算法提取图像拐点，阈值的选取是关键。它没有自适应算法，也不象Harris算法可根据需要提出一定数目的特征点。但该算法编程容易，易于硬件实现。 SIFT算法 SIFT算法由加拿大University of British Columbia的D.G.Lowe 1999年提出，2004年完善总结。 Object Recognition from Local Scale-Invariant Features(ICCV,1999) Distinctive Image Features from Scale-Invariant Keypoints(IJCV,2004) SIFT 主要思想 SIFT算法是一种提取局部特征的算法，在尺度空间寻找极值点,并确定关键点(Key points)的位置和关键点所处的尺度; 然后使用关键点邻域梯度的主方向作为该点的方向特征，以实现算子对尺度和方向的无关性。 SIFT算法的主要特点 a) SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。 b) 独特性(Distinctiveness)好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。 c) 多量性，即使少数的几个物体也可以产生大量SIFT特征向量。 d) 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求。 e) 可扩展性，可以很方便的与其他形式的特征向量进行联合。 SIFT算法步骤 检测尺度空间极值点 精确定位极值点 为每个关键点指定方向参数 关键点描述子的生成 特征匹配 1.检测尺度空间极值点 在对有噪声的图像求取边缘点时，可以先用平滑滤波器对图像平滑，然后再对