2 gradylyz gradylyz 于 2016.03.03 16:35 提问

刚入门的小白寻求一些有关SIFT和SURF的帮助

刚刚开始研究SIFT和SURF这两个算法,查阅了一些资料,现在仍然存在一些可能是比较初级的疑问,问题应该不会很难,比较入门,所以希望有了解的虫友能够帮忙回答一下

1.SIFT中不同的octave层尺寸不同的原因是降采样,那么这个降采样具体是怎样操作的呢?我只通过查阅一些资料知道是通过隔点采样的方法提取而导致每层尺寸大小不同的,那这个隔点采样的标准又是什么呢?

2.查阅了一些有关SURF的资料,上面说它和SIFT算法中的一个不同是SURF算法在生成尺度空间的过程中图片的大小是始终不变的,但是也有不同的octave层,资料上说生成不同octave层的原因是改变高斯模糊尺寸大小得到的,那这个所谓的“高斯模糊尺寸大小”具体是指什么?是指SIFT中所谓的“尺度σ”吗?我是否可以理解为SURF中划分octave层的标准是尺度σ,而SIFT中划分octave层的标准是降采样?

3.SURF中提到它与SIFT相比运算速度加快的原因之一是“采用积分图像法求取像素I(x,y)”,资料中有详细介绍了SURF算法中求取图像中某区域像素值I(x,y)的方法,而SIFT算法中却没有提及像素值I(x,y)是怎么求取的,那具体是怎么求取出来的呢?

4.继续上一个问题,感觉这个问题有点低级,但还是没太弄懂...我想问一下在SIFT中获取尺度空间的时候是高斯函数G与图像像素I的卷积,那这个所谓的图像像素I,在公式里是具体指代某一点吗?然后所有点中的所有像素与该点的高斯函数都通过公式进行卷积得到对应点的尺度空间,是这个意思吗?简单点说是不是一个图像上有多少个点,就得运行多少次公式,把每点对应的L值求出来,从而形成一整张图像的尺度空间值?SURF也是如此吗?

一字一字打出来的,花了很长时间,但真的很需要各位的帮助解决这些可能对各位来说不在话下的问题,我目前没有金币了,只能等待各位好心人了,谢谢大家!

1个回答

devmiao
devmiao   Ds   Rxr 2016.03.06 08:56
Csdn user default icon
上传中...
上传图片
插入图片
准确详细的回答,更有利于被提问者采纳,从而获得C币。复制、灌水、广告等回答会被删除,是时候展现真正的技术了!
其他相关推荐
SIFT和surf
高斯拉普拉斯(Laplace of Gaussian) kezunhai@gmail.com http://blog.csdn.net/kezunhai           Laplace算子作为一种优秀的边缘检测算子,在边缘检测中得到了广泛的应用。该方法通过对图像求图像的二阶倒数的零交叉点来实现边缘的检测,公式表示如下: 由于Laplace算子是通
SIFT算法和SURF算法区别
共同点: SIFT/SURF为了实现不同图像中相同场景的匹配,主要包括三个步骤: 1、尺度空间的建立; 2、特征点的提取; 3、利用特征点周围邻域的信息生成特征描述子 4、特征点匹配。 从博客上看到一片文章,http://blog.csdn.net/cy513/archive/2009/08/05/4414352.aspx,这一段的大部分内容源于这篇文章,推荐大家去看看。 如果两幅图像
SIFT、SURF、ORB的区别与联系
从原理上面讲解了SIFT、SURF、ORB的区别和联系,理解起来非常容易。
SURF特征点检测
SURF算法是对SIFT算法的改进,其基本结构、步骤与SIFT相近,但具体实现的过程有所不同。SURF算法的优点是速度远快于SIFT且稳定性好。 1.构建Hessian矩阵,构造高斯金字塔尺度空间 SIFT采用的是DoG图像,而SURF采用的是Hessian矩阵行列式近似值图像。 每个像素点都可以求出一个H矩阵,H矩阵 有一个判别式,判别式的值是H矩阵的特征值,可以利用判定结果的符号将所有点
Sift与Surf的区别
surf是在sift的基础上改进而生,不仅提高了计算速度,而且更加安全鲁棒性,两者的实现原理很相似,对于两者的区别,也极大程度地体现在了他们的实现步骤上,为了更好地理解两者,可以结合实现方法来分析它们之间的不同。      1.构造图像金字塔尺度空间:        sift:计算高斯差分图像(DoG),用于find特征点;金字塔图像中,由于同一个octave中,图像的大小(尺寸)一样但模糊程
SIFT和SURF特征提取分析(小结篇)
SIFT算法的主要原理、流程做一个简要阐述。由于该算法的核心是“尺度不变”特征点的提取,所以特征点得筛选资源从高斯金字塔产生的差分高斯空间中的局部极值点获得。SURF算法是对SIFT算法的改进,其基本结构、步骤与SIFT相近,但具体实现的过程有所不同。SURF算法的优点是速度远快于SIFT且稳定性好。此算法的优点在于大量合理使用积分图像降低运输量,而且在运用的过程中并未降低精度。在时间上,SURF运行速度大约为SIFT的3倍;在质量上,SURF的鲁棒性很好,特征点识别率较SIFT高,在视角、光照、尺度变化等
SIFT,SURF,ORB,FAST 特征提取算法比较
SIFT,SURF,ORB,FAST 特征提取算法比较主要的特征检测方法有以下几种,在一般的图像处理库中(如opencv, VLFeat, Boofcv等)都会实现。 FAST ,Machine Learning for High-speed Corner Detection, 2006 SIFT,Distinctive Image Features from Scale-Invariant Key
SURF算法详解及同SIFT算法的比较
SURF (Speeded Up Robust Features)也是一种类似于SIFT的兴趣点检测及描述子算法。其通过Hessian矩阵的行列式来确定兴趣点位置,再根据兴趣点邻域点的Haar小波响应来确定描述子,其描述子大小只有64维(也可以扩展到128维,效果更好),是一种非常优秀的兴趣点检测算法。本文主要从SURF原文出发,结合自己一些理解,并比较sift方法,对其算法原理进行总结。 关键
SIFT特征和SURF特征比较
SIFT特征和SURF特征都是优秀的尺度不变特征,常用来进行物体辨识和图像匹配。所谓的尺度不变特征是指每个检测到的特征点都伴随着对应的尺寸因子(特征点的局部尺寸参数与特征的尺度成正比),下面就这两种著名的尺度不变特征进行简要的介绍和比较。(PS:由于两种特征提取算法的细节较多,本篇文章只简单介绍它们的原理、主要步骤和简单应用,主要关注两者的比较)
SIFT/SURF算法的通俗理解
 SURF算法是SIFT算法的加速版,opencv的SURF算法在适中的条件下完成两幅图像中物体的匹配基本实现了实时处理,其快速的基础实际上只有一个——积分图像haar求导,对于它们其他方面的不同可以参考本blog的另外一篇关于SIFT的文章。     不论科研还是应用上都希望可以和人类的视觉一样通过程序自动找出两幅图像里面相同的景物,并且建立它们之间的对应,前几年才被提出的SIFT(