少高潮爽了在观看奂费_奶水无码专区_欧美亚洲三级日韩_91精品国产综合香蕉_秋霞伦理电影在线_GOGO亚洲肉体艺术欣赏图片_一本一道a√无码中文字幕_免费看一级毛片无码区_内射视频网站在线观看_国产激情视频精品中文

圖像處理
新聞詳情

高斯金字塔的構(gòu)建步驟

發(fā)布時間:2021-10-08 15:55:04 最后更新:2021-10-09 08:45:38 瀏覽次數(shù):2824

SIFT(Scale-Invariant Feature Transform,尺度不變特征轉(zhuǎn)換)在目標(biāo)識別、圖像配準(zhǔn)領(lǐng)域具有廣泛的應(yīng)用,下面按照SIFT特征的算法流程對其進(jìn)行簡要介紹對SIFT特征做簡要介紹。

高斯金字塔是SIFT特征提取的第一步,之后特征空間中極值點的確定,都是基于高斯金字塔,因此SIFT特征學(xué)習(xí)的第一步是如何建立的高斯金字塔。

明白幾個定義:

高斯金字塔 對于高斯金字塔,很容易直觀地理解為對同一尺寸的圖像,然后進(jìn)行不同程度的高斯平滑,這些圖像構(gòu)成高斯金字塔,這種是不對的,這描述的圖像集合叫做一個八度。金字塔總要有個變“尖”的過程,真正的高斯金字塔要有個平滑以及下采樣的過程,因此整個圖像平滑以及下采樣再平滑,構(gòu)成的所有圖像集合才構(gòu)成了圖像的高斯金字塔。

八度(octave) 簡單地說八度就是在特定尺寸(長寬)下,經(jīng)不同高斯核模糊的圖像的集合。八度的集合是高斯金字塔。

為什么要構(gòu)建高斯金字塔:

整個高斯金字塔,或者說是差分高斯金字塔是我們確定SIFT特征的基礎(chǔ),讓我們首先想想高斯金字塔到底干了一件什么事情,他到底模仿的是什么?答案很容易確定,高斯金字塔模仿的是圖像的不同的尺度,尺度應(yīng)該怎樣理解?對于一副圖像,你近距離觀察圖像,與你在一米之外觀察,看到的圖像效果是不同的,前者比較清晰,后者比較模糊,前者比較大,后者比較小,通過前者能看到圖像的一些細(xì)節(jié)信息,通過后者能看到圖像的一些輪廓的信息,這就是圖像的尺度,圖像的尺度是自然存在的,并不是人為創(chuàng)造的。好了,到這里我們明白了,其實以前對一幅圖像的處理還是比較單調(diào)的,因為我們的關(guān)注點只落在二維空間,并沒有考慮到“圖像的縱深”這樣一個概念,如果將這些內(nèi)容考慮進(jìn)去我們是不是會得到更多以前在二維空間中沒有得到的信息呢?于是高斯金字塔橫空出世了,它就是為了在二維圖像的基礎(chǔ)之上,榨取出圖像中自然存在的另一個維度:尺度。因為高斯核是唯一的線性核,也就是說使用高斯核對圖像模糊不會引入其他噪聲,因此就選用了高斯核來構(gòu)建圖像的尺度。


下圖兩幅圖像是典型的圖像高斯金字塔,這就是模仿的圖像離你遠(yuǎn)去時在你視網(wǎng)膜上的成像,圖像分別以動態(tài)方式表示。

高斯金字塔的構(gòu)建步驟

高斯金字塔的構(gòu)建還是比較簡單的,高斯卷積和是尺度變換的唯一的線性核。

高斯金字塔構(gòu)建過程中,一般首先將圖像擴(kuò)大一倍,在擴(kuò)大的圖像的基礎(chǔ)之上構(gòu)建高斯金字塔,然后對該尺寸下圖像進(jìn)行高斯模糊,幾幅模糊之后的圖像集合構(gòu)成了一個八度,然后對該八度下的最模糊的一幅圖像進(jìn)行下采樣的過程,長和寬分別縮短一倍,圖像面積變?yōu)樵瓉硭姆种?。這幅圖像就是下一個八度的初始圖像,在初始圖像圖像的基礎(chǔ)上完成屬于這個八度的高斯模糊處理,以此類推完成整個算法所需要的所有八度構(gòu)建,這樣這個高斯金字塔就構(gòu)建出來了。構(gòu)建出的金字塔如下圖所示:


什么是尺度空間:

以上已經(jīng)從人視覺感知的角度讓大家感性認(rèn)識了“尺度”,上文也提到使用高斯核來實現(xiàn)尺度的變換,那么具體實現(xiàn)過程中,尺度體現(xiàn)在哪里?是如何量化的呢?怎么在高斯金字塔中,兩個變量很重要,即第幾個八度(o)和八度中的第幾層(s),這兩個量合起來(o,s)就構(gòu)成了高斯金字塔的尺度空間。尺度空間也不難理解,首先一個八度中圖像的長和寬是相等的,即變量o控制的是塔中尺寸這個尺度;區(qū)分同一個尺寸尺度下的圖像,就需要s了,s控制了一個八度中不同的模糊程度。這樣(o,s)就能夠確定高斯金字塔中的唯一一幅圖像了,這是個三維空間,兩維坐標(biāo),一維是圖像。

根據(jù)lowe的論文,(o,s)作用于一幅圖像是通過公式

確定的。通過公式也可以看出,尺度空間是連續(xù)的,兩個變量控制著δ的值,其中在第一個八度中有 1<(o+s/S)<=2 ,同理在第二個八度中有2<(o+s/S)<=3,以此類推,δ中的關(guān)鍵部分(o+s/S)部分是逐漸增大的(具體實現(xiàn)時,有些高斯金字塔中這個值是增大,但不是逐漸均勻增大,只能說是連續(xù)的)。 

上圖中第一個八度的中圖像的尺度分別是δ,kδ,k^2δ......,第二個八度的尺度分別是2δ,2kδ,2k^2δ........,同理第三個八度的尺度分別是4δ,4kδ,4k^2δ........。這個序列是通過下式來確定的:

所以每增加一級八度,δ都要擴(kuò)大2倍,在一個八度中,k的上標(biāo)s來區(qū)分不同的高斯核。

構(gòu)建差分高斯金字塔

構(gòu)建高斯金字塔是為了后續(xù)構(gòu)建差分高斯金字塔。對同一個八度的兩幅相鄰的圖像做差得到插值圖像,所有八度的這些插值圖像的集合,就構(gòu)成了差分高斯金字塔。過程如下圖所示,差分高斯金字塔的好處是為后續(xù)的特征點的提取提供了方便。


到這里,高斯金字塔構(gòu)建的主要部分、關(guān)鍵點都弄好了,一些非常重要的認(rèn)知就要呼之欲出了,下面解釋整個空間的尺度連續(xù)性!這是差分高斯金字塔的重中之重!

尺度空間的連續(xù)性

這里注意,連續(xù)性的主語既不是高斯金字塔,也不是差分高斯金字塔,而是尺度空間。在弄清楚這個問題之前,我們還需要解決一個問題,即為什么高斯金字塔中每個八度有s+3幅高斯圖像?s的意思是將來我們在差分高斯金字塔中求極值點的時候,我們要在每個八度中求s層點,通過lowe論文可知,每一層極值點是在三維空間(圖像二維,尺度一維)中比較獲得,因此為了獲得s層點,那么在差分高斯金字塔中需要有s+2圖像,好了,繼續(xù)上溯,如果差分高斯金字塔中有s+2幅圖像,那么高斯金字塔中就必須要有s+3幅圖像了,因為差分高斯金字塔是由高斯金字塔相鄰兩層相減得到的。好了,到了這里似乎真相大白,但是我們上面的推導(dǎo)有一個致命的問題,我們上來就假設(shè)“我們要在每個八度中求s層點”,為什么要s層點呢?這才是這個小節(jié)的主題:是為了保持尺度的連續(xù)性!下面進(jìn)行詳細(xì)的分析:

以一個八度中的圖像為例說明(此處最好結(jié)合OpenCV中金字塔構(gòu)建部分的源碼<下文已列出,可以參照>)

高斯金字塔和差分高斯金字塔那幾個公式還要在這里貼出來一下:

高斯函數(shù)G對圖像I的模糊函數(shù):

高斯差分函數(shù):

通過以上這兩個公式,可以確定一個八度中(以第一個八度為例)高斯圖像和差分高斯圖像的尺度如下(以lowe論文為例,s=3,所以每個八度中會有3+3=6幅圖像),每一幅圖像的尺度也在圖像標(biāo)示了出來。

在lowe的論文中s=3,因此有

因此,當(dāng)前八度中各高斯圖像的尺度依次為:

σ,2^(1/3)σ,    2^(2/3)σ,     2^(3/3)σ,    2^(4/3)σ,     2^(5/3)σ;

當(dāng)前八度中各差分高斯圖像的尺度依次為:

σ,2^(1/3)σ,    2^(2/3)σ,     2^(3/3)σ,   2^(4/3)σ。

同理,我們可以推斷出,下一個八度中各高斯圖像的尺度依次為:

2×σ,2×2^(1/3)σ,2×2^(2/3)σ,2×2^(3/3)σ,2×2^(4/3)σ,2×2^(5/3)σ;

下一個八度中各差分高斯圖像的尺度依次為:

2×σ,2×2^(1/3)σ,2×2^(2/3)σ,2×2^(3/3)σ,2×2^(4/3)σ。

可以觀察到,其中紅色標(biāo)注數(shù)據(jù)所代表的層,是差分高斯金字塔中獲得極值點的層,也就是說只有在這些層上才發(fā)生與上下兩層比較獲得極值點的操作。下面將這些紅色數(shù)據(jù)連成一串:2^(1/3)σ, 2^(2/3)σ, 2^(3/3)σ,2×2^(1/3)σ,2×2^(2/3)σ,2×2^(3/3)σ......。發(fā)現(xiàn)了什么?對了,這些數(shù)據(jù)時連續(xù)的,我們通過在每個八度中多構(gòu)造三幅高斯圖像,達(dá)到了尺度空間連續(xù)的效果,這一效果帶來的直接的好處是在尺度空間的極值點確定過程中,我們不會漏掉任何一個尺度上的極值點,而是能夠綜合考慮量化的尺度因子


所確定的每一個尺度!

下一個八度的第一幅圖像如何確定這個問題,是上面問題(尺度空間的連續(xù)性)的延伸,我們可以通過反推OpenCV中這一部分的源代碼,來理解這個問題。

當(dāng)前八度中的第一幅圖像是通過前一個八度的倒數(shù)第三幅圖像得到。OpenCV這段源碼有個很重要的問題:不同的八度間的尺度不是會有一個2的差異嗎?為什么本部分源碼并沒有體現(xiàn)這一點,而是在對每一個八度處理中都是用相同的數(shù)組sig[]。首先明確一下sig數(shù)組內(nèi).存儲的并不是一個絕對的模糊核,而是相對的模糊核,這一點很重要,既然是相對的模糊核,那么第一幅圖像的核就很重要了,所以尺度的連續(xù)就看每個八度的第一幅圖像了。

對于以下列出的高斯金字塔的構(gòu)建過程來看,每個八度中的第一幅圖像并沒有一個2倍的尺度躍進(jìn)過程。但是,這個2倍的躍進(jìn)式隱含在整個高斯金字塔的構(gòu)建過程中了!

再看倒數(shù)第三幅圖像,這幅圖像的尺度是2^(3/3)*δ,3/3=1,也就是說,在這個八度中,第一幅圖像的尺度是δ,而倒數(shù)第三幅圖像的尺度是2*δ,正好發(fā)生了一個2的躍進(jìn)!這就是以這幅圖像作為基準(zhǔn)進(jìn)行下采樣的原因,如此的話,下一個八度的第一幅圖像的初始尺度就是2*δ了。

這就是真相,這就是為什么選用倒數(shù)第三幅圖像進(jìn)行下采樣的原因。

  1. void SIFT::buildGaussianPyramid( const Mat& base, vector<Mat>& pyr, int nOctaves ) const  
  2. {  
  3.     vector<double> sig(nOctaveLayers + 3);  
  4.     pyr.resize(nOctaves*(nOctaveLayers + 3));  
  5.     // precompute Gaussian sigmas using the following formula:  
  6.     //  \sigma_{total}^2 = \sigma_{i}^2 + \sigma_{i-1}^2  
  7.     sig[0] = sigma;  
  8.     double k = pow( 2., 1. / nOctaveLayers );  
  9.     for( int i = 1; i < nOctaveLayers + 3; i++ )  
  10.     {  
  11.         double sig_prev = pow(k, (double)(i-1))*sigma;  
  12.         double sig_total = sig_prev*k;  
  13.         sig[i] = std::sqrt(sig_total*sig_total - sig_prev*sig_prev);  
  14.     }  
  15.     for( int o = 0; o < nOctaves; o++ )  
  16.     {  
  17.         for( int i = 0; i < nOctaveLayers + 3; i++ )  
  18.         {  
  19.             Mat& dst = pyr[o*(nOctaveLayers + 3) + i];  
  20.             if( o == 0  &&  i == 0 )  
  21.                 dst = base;  
  22.             // base of new octave is halved image from end of previous octave  
  23.             else if( i == 0 )/*每一個八度中第一幅圖像的確定過程*/  
  24.             {  
  25.                   const Mat& src = pyr[(o-1)*(nOctaveLayers + 3) + nOctaveLayers];  
  26.                   resize(src, dst, Size(src.cols/2, src.rows/2), 0, 0, INTER_NEAREST);  
  27.             }   
  28.            else  
  29.            {  
  30.                     const Mat& src = pyr[o*(nOctaveLayers + 3) + i-1];   
  31.                     GaussianBlur(src, dst, Size(), sig[i], sig[i]);   
  32.            }  
  33.         }   
  34.      }  
  35. }  
  36. void SIFT::buildDoGPyramid( const vector<Mat>& gpyr, vector<Mat>& dogpyr ) const  
  37. {   
  38.         int nOctaves = (int)gpyr.size()/(nOctaveLayers + 3);  
  39.         dogpyr.resize( nOctaves*(nOctaveLayers + 2) );   
  40.         for( int o = 0; o < nOctaves; o++ )  
  41.         {   
  42.                for( int i = 0; i < nOctaveLayers + 2; i++ )   
  43.                {   
  44.                      const Mat& src1 = gpyr[o*(nOctaveLayers + 3) + i];   
  45.                      const Mat& src2 = gpyr[o*(nOctaveLayers + 3) + i + 1];   
  46.                      Mat& dst = dogpyr[o*(nOctaveLayers + 2) + i];   
  47.                      subtract(src2, src1, dst, noArray(), DataType<sift_wt>::type);   
  48.                }  
  49.         }  
  50. }  

在線客服 雙翌客服
客服電話
  • 0755-23712116
  • 13822267203