matlabsift演算法

『伍』 8點演算法 需要哪些sift數據

一、特徵點（角點）匹配圖像匹配能夠應用的場合非常多，如目標跟蹤，檢測，識別，圖像拼接等，而角點匹配最核心的技術就要屬角點匹配了，所謂角點匹配是指尋找兩幅圖像之間的特徵像素點的對應關系，從而確定兩幅圖像的位置關系。角點匹配可以分為以下四個步驟：1、提取檢測子：在兩張待匹配的圖像中尋找那些最容易識別的像素點（角點），比如紋理豐富的物體邊緣點等。2、提取描述子：對於檢測出的角點，用一些數學上的特徵對其進行描述，如梯度直方圖，局部隨機二值特徵等。檢測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：通過各個角點的描述子來判斷它們在兩張圖像中的對應關系，常用方法如flann等。4、消噪：去除錯誤匹配的外點，保留正確的匹配點。常用方法有KDTREE，BBF，Ransac，GTM等。二、SIFT匹配方法的提出為了排除因為圖像遮擋和背景混亂而產生的無匹配關系的關鍵點，SIFT的作者Lowe提出了比較最近鄰距離與次近鄰距離的SIFT匹配方式：取一幅圖像中的一個SIFT關鍵點，並找出其與另一幅圖像中歐式距離最近的前兩個關鍵點，在這兩個關鍵點中，如果最近的距離除以次近的距離得到的比率ratio少於某個閾值T，則接受這一對匹配點。因為對於錯誤匹配，由於特徵空間的高維性，相似的距離可能有大量其他的錯誤匹配，從而它的ratio值比較高。顯然降低這個比例閾值T，SIFT匹配點數目會減少，但更加穩定，反之亦然。Lowe推薦ratio的閾值為0.8，但作者對大量任意存在尺度、旋轉和亮度變化的兩幅圖片進行匹配，結果表明ratio取值在0.4~0.6之間最佳，小於0.4的很少有匹配點，大於0.6的則存在大量錯誤匹配點，所以建議ratio的取值原則如下:ratio=0.4：對於准確度要求高的匹配；ratio=0.6：對於匹配點數目要求比較多的匹配；ratio=0.5：一般情況下。三、常見的SIFT匹配代碼1、vlfeat中sifttoolbox中的vl_ubcmatch.c使用的是普通的歐氏距離進行匹配（該SIFT代碼貢獻自AndreaVedaldi）。2、Lowe的C++代碼中使用的是歐氏距離，但是在matlab代碼中為了加速計算，使用的是向量夾角來近似歐氏距離：先將128維SIFT特徵向量歸一化為單位向量（每個數除以平方和的平方根），然後點乘來得到向量夾角的餘弦值，最後利用反餘弦（acos函數）求取向量夾角。實驗證明Lowe的法正確率和耗時都很不錯。同樣，也可以採用knnsearch函數求最近點和次近點：knnsearch採用euclidean距離時得到的結果與lowe採用的近似方法結果幾乎一致，正好印證了模擬歐氏距離的效果。3、RobHess的OpenSIFT採用了KDTREE來對匹配進行優化。4、CSDN大神v_JULY_v實現了KDTREE+BBF對SIFT匹配的優化和消除錯誤匹配：從K近鄰演算法、距離度量談到KD樹、SIFT+BBF演算法-結構之法演算法之道-博客頻道-CSDN.NET。5、OpenCV中features2d實現的SIFT匹配有多種matcher：VectorDescriptorMatcher，BFMatcher（Brute-forcedescriptormatcher），FernDescriptorMatcher，OneWayDescriptorMatcher，FlannBasedMatcher等等。目前只知道採用knnsearch，提供了多種距離度量方式，具體區別不懂。

『陸』 matlab實現SIFT特徵點檢測及配准

sift是一種提取特徵點的演算法，可以用matlab編程實現，但沒有現成的語句，得自己寫程序。另外還有很多提取特徵的演算法，sift是其中比較好的一種。