image-processing - 如何在 SIFT 中使用 DoG 金字塔

Question

我是图像处理和模式识别方面的新手。我正在尝试实现 SIFT 算法，我可以在其中创建 DoG 金字塔并识别每个八度音程中的局部最大值或最小值。我不明白的是如何在每个八度音程中使用这些局部最大值/最小值。我如何结合这些点？

我的问题可能听起来很微不足道。我读过 Lowe 的论文，但无法真正理解他在建造了 DoG 金字塔后做了什么。任何帮助表示赞赏。

谢谢

Answer 1

基本上，他在构建 DoG 金字塔后所做的就是检测这些图像中的局部极值。之后，他丢弃了一些检测到的局部极值，因为它们可能不稳定。识别那些不稳定的关键点/特征的过程通过两个步骤完成：

1. 拒绝对比度低的点
2. 拒绝沿边缘定位不佳的点（这意味着它们仅在一个方向上具有强烈的边缘响应）

为了能够执行这些步骤，首先您需要通过泰勒级数展开来获得极值的真实位置。它将为您提供解决这两个步骤的信息。

最后一步是构建描述符......

我也在研究这个算法，我觉得理解起来并不容易。Lowe 的论文中没有包含一些细节，因此这使得它更难理解。我没有找到很多额外的资源可以更深入地解释这个算法，但是有一些开源实现，所以你也可以使用它们。

编辑：更多信息:)

您链接的论文是他的早期作品，您应该获得最新版本的论文，因为有一些修改。搜索更多资源我也阅读了他的专利，它还包含旧信息，所以你也不应该看那里。

所以，我对这个尺度空间极值步骤的理解如下。首先，我们需要建立一个高斯金字塔。论文说，为了局部极值完整性，我们需要在每个倍频程中构建s+3 个高斯图像。经过一些测试，Lowe 得出结论，对于s = 3，他得到了最好的结果。这意味着我们在每个八度音程中有 6 个高斯图像，从中我们可以得到 5 个 DoG 图像。请注意，所有这些 DoG 图像都具有相同的分辨率。仅在传递到下一个八度音程时才进行重新采样。

下一步将是找到一个局部极值。Lowe 建议在 26 个邻域内搜索，这意味着我们应该从第二张图像开始搜索，因为这是存在 26 个邻域的第一张图像。同样，我们停止对第四张图像的搜索。对每个八度音阶单独重复此过程。对于找到的每个极值，至少您应该保存它的位置和比例。下一步找到极值将是更准确的定位，这是通过泰勒级数完成的。

这是我对这一步如何工作的理解，我希望我离真相不会太远:)

希望这能帮助更多一点。

Answer 2

vlfeat是一个开源库，实现了多种计算机视觉算法，包括 SIFT。您应该能够查看该源代码以更好地了解正在执行的操作。

如果您正确找到每个八度音阶中的极值，则可以：

1. 对极值的尺度和位置进行更详细的拟合
2. 拒绝低对比度和边缘响应

对于此时剩余的每个特征，

1. 计算窗口大小内相对于检测到的特征的比例的主要方向
2. 构建 SIFT 描述符表示（通过将梯度累积到空间 4x4 方向直方图网格中）。这在论文的 6.1 中有所描述。

我不确定这有多大帮助，因为我不知道你在哪里挂断电话。

Answer 3

我们有两个金字塔。一个高斯金字塔和一个DoG金字塔。高斯金字塔有 6 个模糊图像。DoG是这些图像的差异，所以DoG中有5个图像。你与高斯金字塔无关。请注意，所有这些都在第一个八度音阶中！创建第一个金字塔时，调整图像大小并开始为第二个八度构建新的金字塔。

假设您的原始图像是 512x512。在第一个八度音程中，所有图像都是 512x512，但在第二个八度音程中，所有图像都是 256x256。同样，您有 6 个图像高斯金字塔和 5 个在 DoG 金字塔中。但它们在第二个 ocave 中都是 256x256。无需提及第三个八度。

现在对于最小值和最大值的匹配：（你在第一个八度音阶）假设你在第一个八度音阶中寻找最大值。您必须使用 DoG 金字塔并从第二张图像开始。您取一个像素并计算它是否为最大值。在此计算中，您应该使用 DoG 金字塔的第 1、第 2 和第 3 张图像。如果完成，通过考虑第 2、3 和第 4 图像来找到第 3 图像中的最大值。最后通过考虑第 3、第 4 和第 5 个图像来找到第 4 个图像中的最大值。

现在在第一个 ocatave 中找到 mixama 已完成，转到下一个 octave 并重复这些步骤。