sift演算法

❶ SIFT演算法中的圖像尺度

這個尺度應該可以理解為一個比例因子delta，用來控制X、Y方向上圖像的縮放比例，它與X、Y參數的一個連續函數表達L(x,y,delta)就構成了一個空間，稱為尺度空間，該空間是由原始圖像的I(x,y)表達與高斯函數G(x,y,delta)進行卷積後形成的對已經申請了專利的技術進行修改後進行商業應用算不算侵權這個界定很模糊的，就像當年DVD晶元的專利侵權賠償案一樣，我覺得如果你是小打小鬧小范圍內使用的話，不對專利所屬單位或個人造成利益威脅，人家是不會費勁來查你的，但是如果你的商業應用影響大到了一定程度，人家有可能就來找碴了，私以為，國內大部分軟體都達不到這個程度。另外，如果你修改的部分比較多，超過了30%的話（這個好像要得到專利局的認可才算數），你可以換個名稱申請一個專利試試

❷ 你好，我最近在看sift演算法，好多不懂的，你做的怎麼樣了，求助啊！！！

卡殼了，思路稍微有點懂了，然後想去看程序代碼，結果崩潰了，暫時擱淺了，等開學和同學一起再研究了，

❸ 怎麼樣用matlab實現sift演算法

http://www.cs.ubc.ca/~lowe/keypoints/
原作者個人主頁上給出了代碼。
http://www.vlfeat.org/~vedaldi/assets/sift/versions/
另一個實現方法

❹ 在MATLAB的sift演算法中，怎麼用一個模板與多幅圖像進行匹配

(1) 尺度不變特徵變換（SIFT演算法）概要

是一種計算機視覺的演算法，用來偵測與描述影像中的局部性特徵，它在空間尺度中尋找極值點，並提取出其位置、尺度、旋轉不變數。

此演算法由 David Lowe 在1999年所發表，2004年完善總結。其應用范圍包含物體辨識、機器人地圖感知與導航、影像縫合、3D模型建立、手勢辨識、影像追蹤和動作比對。此演算法有其專利，專利擁有者為 英屬哥倫比亞大學。

局部影像特徵的描述與偵測可以幫助辨識物體，SIFT 特徵是基於物體上的一些局部外觀的興趣點而與影像的大小和旋轉無關。 對於光線、雜訊、些微視角改變的容忍度也相當高。基於這些特性，它們是高度顯著而且相對容易擷取，在母數龐大的特徵資料庫中，很容易辨識物體而且鮮有誤認。使用 SIFT特徵描述對於部分物體遮蔽的偵測率也相當高，甚至只需要3個以上的SIFT物體特徵就足以計算出位置與方位。在現今的電腦硬體速度下和小型的特徵資料庫條件下，辨識速度可接近即時運算。SIFT特徵的信息量大，適合在海量資料庫中快速准確匹配。

(2 ) Matlab代碼主要功能函數如下： match.m：測試程序

功能：該函數讀入兩幅（灰度）圖像，找出各自的 SIFT 特徵, 並顯示兩連接兩幅圖像中被匹配的特徵點（關鍵特徵點（the matched keypoints）直線（將對應特徵點進行連接）。判斷匹配的准則是匹配距離小於distRatio倍於下一個最近匹配的距離（ A match is accepted only if its distance is less than distRatio times the distance to the second closest match. 該程序返回顯示的匹配對的數量。（ It returns the number of matches displayed.） 調用實例： match('desk.jpg','book.jpg');

( 假如，想測試一個含有一本書的桌面的圖像 和一本書的圖像之間特徵匹配） 調用方法和參數描述：略。 注意：（1）圖像為灰度圖像，如果是彩色圖像，應該在調用前利用rgb2gray轉換為灰度圖像。

（2）參數distRatio 為控制匹配點數量的系數，這里取 0.6，該參數決定了匹配點的數量，在Match.m文件中調整該參數，獲得最合適的匹配點數量。 sift.m :尺度不變特徵變換（SIFT演算法）的核心演算法程序

功能：該函數讀入灰度圖像，返回SIFT 特徵關鍵點（ SIFT keypoints.） 調用方法和參數描述：

調用方式：[image, descriptors, locs] = sift(imageFile) 輸入參數（ Input parameters）:

imageFile: 圖像文件名.

輸出或返回參數（ Returned）:

image: 是具有double format格式的圖像矩陣

descriptors: 一個 K-by-128 的矩陣x, 其中每行是針對找到的K個關鍵特徵點（the K keypoints）的不變數描述子. 這個描述子（descriptor）是一個擁有128個數值並歸一化為單位長度向量.

locs: 是K-by-4 矩陣, 其中的每一行具有四個數值，表示關鍵點位置信息 (在圖像中的行坐標，列坐標（row, column) ，注意，一般圖像的左上角為坐標原點）, 尺度scale，高斯尺度空間的參數，其中該參數也決定了frame(結構）確定的圖像disk的大小, 最後一個參數是方向orientation). 方向參數的范圍是[-PI, PI] 單位為弧度.

appendimages.m: 該函數創建一個新的圖像分別包含兩個匹配的圖像和他們之間

的匹配對的連接直線. (3) 實際案例執行結果：

程序代碼使用matlab和c混合編程。用matlab打開文件中的sift_match.m文件，並執行。如下圖所示：

❺ SIFT演算法的輸入是什麼

輸入時圖片，根據圖片計算特徵點

❻ sift演算法是怎麼么實現尺度不變的

關鍵字：高斯尺度金字塔

打個比方，人近視眼就是一個高斯blur，blur的越大說明尺度越大。
SIFT通過不同sigma的高斯blur參數，模擬出了不同尺度的特徵。
然後用DOG圖像求的關鍵點。

看論文吧，一兩句說不清楚。

❼ 如何比較SIFT，SURF，Harris-SIFT圖像匹配演算法性能

SIFT匹配（Scale-invariant feature transform，尺度不變特徵轉換）是一種電腦視覺的演算法用來偵測與描述影像中的局部性特徵，它在空間尺度中尋找極值點，並提取出其位置、尺度、旋轉不變數，此演算法由 David Lowe 在1999年所發表，2004年完善總結。其應用范圍包含物體辨識、機器人地圖感知與導航、影像縫合、3D模型建立、手勢辨識、影像追蹤和動作比對。
局部影像特徵的描述與偵測可以幫助辨識物體，SIFT 特徵是基於物體上的一些局部外觀的興趣點而與影像的大小和旋轉無關。對於光線、雜訊、些微視角改變的容忍度也相當高。基於這些特性，它們是高度顯著而且相對容易擷取，在母數龐大的特徵資料庫中，很容易辨識物體而且鮮有誤認。使用 SIFT特徵描述對於部分物體遮蔽的偵測率也相當高，甚至只需要3個以上的SIFT物體特徵就足以計算出位置與方位。在現今的電腦硬體速度下和小型的特徵資料庫條件下，辨識速度可接近即時運算。SIFT特徵的信息量大，適合在海量資料庫中快速准確匹配。
2、SIFT特徵的主要特點
從理論上說，SIFT是一種相似不變數，即對圖像尺度變化和旋轉是不變數。然而，由於構造SIFT特徵時，在很多細節上進行了特殊處理，使得SIFT對圖像的復雜變形和光照變化具有了較強的適應性，同時運算速度比較快，定位精度比較高。如：
在多尺度空間採用DOG運算元檢測關鍵點，相比傳統的基於LOG運算元的檢測方法，運算速度大大加快；
關鍵點的精確定位不僅提高了精度，而且大大提高了關鍵點的穩定性；
在構造描述子時，以子區域的統計特性，而不是以單個像素作為研究對象，提高了對圖像局部變形的適應能力；

❽ SIFT演算法提取特徵點，怎樣得到正確的特徵點空間坐標，網上實現的程序里loc(i,1),loc(i,2)說是特徵點的坐標

為了更加准確，大衛勞氏推薦用了subpixel也就是子像素坐標，
但是這里的話你直接取整形就是了。
有warning能通了不就行了？

❾ sift演算法有什麼最新的進展

隨著多媒體技術、計算機技術迅速發展，Internet上呈現大量的圖像信息。圖像中包含了很多的物體特性，其中顏色是非常重要的特徵之一，顏色包含了圖像中更多有價值的識別信息。SIFT演算法提取圖像局部特徵，成功應用於物體識別、圖像檢索等領域。該演算法由DAVID G.L.於1999年提出[1]，並於2004年進行了發展和完善[2]，MIKOLAJCZYK[3]對多種描述子進行實驗分析，結果證實了SIFT描述子具有最強的魯棒性。然而這些描述子僅利用圖像的灰度信息，忽略了圖像的彩色信息。為了提高光照不變性，獲得更高的識別率，研究者提出了基於顏色不變特性的SIFT彩色描述子。目前彩色描述子主要分為基於顏色直方圖、基於顏色矩、基於SIFT三類。本文對彩色SIFT描述子進行了深入的研究，闡述了彩色SIFT描述子，給出了每種彩色描述子的性能評價。