答辩文稿

毕设

---

研究背景 2

各位老师，上午好！我叫马晓龙，是11级2班的学生，我的论文题目是SIFT算法的研究与应用，论文是在范磊导师的悉心指点下完成的。感谢各位老师能够参加我的毕设答辩。下面开始介绍的我的毕设内容
我的毕设是关于SIFT特征提取算法的

特征提取是图像理解、计算机视觉等众多领域的研究基础

图像是人类获取信息的忠告来源，人类从图像中获取的信息大约占从外界获取总信息量的75%，图像中含有大量的信息，所有我们要从图像中获取信息，但是现在图像信息太多了，而计算机技术现在又发展迅猛,让计算机系统自己像人类的视觉系统一样智能地理解图像，这就是图像理解和计算机视觉。而计算机要想处理图像，就需要获取图像的特征，因为特征是区别一个图像内部特征的最基本的属性。特征提取在图像匹配、图像识别等方面有重大的应用，本课题就是目前在中科院做的无人机自动追踪项目的基础。

局部不变特征更适合做图像特征

特征提取大致可以分为两类：全局特征和局部特征
全局特征是从整个图像中提取的特征，可以全面描述图像，而用全局特征很难将前景信息和背景信息区别开。另外全局特征描述不适合用于图像混叠和有遮挡的情况，这时候可以使用图像的局部区域中抽取一些我们感兴趣的特征点来表述图像的局域信息，然后根据图像特征点邻域像素的分布信息附加在特征点上，构成一系列图像特征描述符来描述整幅图像。局部特征也具有一点的重复率，对遮挡没影响。所以本课题主要研究局部特征的提取算法。

常见的局部特征算法 3

局部特征往往在特征点了赋予了邻域的信息

角点检测

角点是图像亮度发生剧烈变化或图像边缘曲线上曲率极大值的点。
Harris角点检测算法，具备更高的重复率和检测率，但是对尺度变化相对敏感

边缘检测

图像上不同区域的边缘表现为颜色灰度的跃变，边缘是一组像素的集合，
所以在一定的方向上边缘灰度是连续的，而在另外的方向上又表现为图像灰度的跃变

梯度算子

梯度算子就是对二维图像的灰度求其梯度，也就是导数的最大值，在这个方向上图像上的灰度变化比较快
因为数字图像的灰度在二维图像里的表现是离散的，而导数是连续空间里的概念，导数用的是微分运算，在离散空间中表现为差分运算，所以就是通过用一些模版算子对数字图像进行卷积运算进行差分。

可以看到这三种梯度算子的检测效果都是比较粗糙的，容易受到噪声的干扰。同时由于模板比较小，检测精度低，得到的边缘线条不规整

拉普拉斯算子

拉普拉斯算子是对图像灰度函数求二阶导数，求二阶导数的零点，也就得到了一阶导数的最值点，也就是图像中灰度变化最快的点，也就是边缘上的点。拉普拉斯算子是二阶导数在离散情况下的二阶差分算子。拉普拉斯算子可以通过一个二维卷积模版来执行

发现拉普拉斯变换得到的边缘信息更加丰富和准确，可以看到图片经过阈值为64的拉普拉斯算子处理后得到的边缘线比较多，甚至包括了一些噪点在里面，这是由于我们设置的阈值过低，造成引入了噪声

斑点检测

斑点通常是指与邻域有灰度和颜色不同的一个区域
拉普拉斯算子是圆对称函数也就是在拉普拉斯函数取得极值的地方，便是我们要找的斑点的位置，可以通过求导获取导数的零点来找到这个点。但是这样算就相当于对高斯函数求三阶导数，太麻烦了，后面我们看到的SIFT算法就是对这种方法的改进。
可以通过改变σ值，可以检测不同尺寸的二维斑点。这个就是我们后面使用尺度空间的方法检测SIFT特征点的基础，因为SIFT算法找到的特征点是在各个尺度中的极值所以具有尺度不变性。

现在我们可以看到角点检测对尺度变化比较敏感，边缘检测对噪声比较敏感
斑点检测归一化拉普拉斯算子使用了高斯模版所以对噪声比较稳定，但是计算比较复杂。而这些问题SIFT算法都能解决。

SIFT特征提取算法 8

建立高斯差分金字塔

这一步的目的是使用DoG近似前面的LOG算子，保证尺度不变性，同时提高提取的特征点的重复率

求取尺度空间极值

求特征点的位置

为特征点分配方向

保证特征点的旋转不变性

计算特征向量

为特征点赋予邻域灰度的分布信息，方便图像匹配

SIFT算法的实验设计 2

主题部分
斑点检测Log算子：二阶导、极值、尺寸、特点意义
DoG近似LoG的目的优点：DOG是差分、公式、图像、优点
建立高斯金字塔，先采样

可能出的问题：
harris方面没有讲清楚，
为什么LoG算子可以检测斑点