【正文】 通過對(duì)關(guān)鍵點(diǎn)周圍圖像區(qū)域分塊，計(jì)算塊內(nèi)梯度直方圖，生成具有獨(dú)特的向量，這個(gè)向量是該區(qū)域圖像信息的一種抽象，具有唯一性。即每個(gè)種子點(diǎn)有 8 個(gè)方向區(qū)間的梯 度強(qiáng)度信息。 圖 38 不同尺度下的特征檢測(cè) 圖 311 為不同尺度下同一物體的兩幅圖像，圖像中特征點(diǎn)有綠色箭頭標(biāo)示出來，箭頭的方向?yàn)樘卣c(diǎn)的主方向，箭頭長(zhǎng)度表示特征點(diǎn)的尺度。實(shí)驗(yàn)結(jié)果表明，亮度變化對(duì) SIFT 算法圖像匹配的影響很小，算法在左圖中共檢測(cè)出 1349 個(gè)特征點(diǎn)，右圖檢測(cè)出 1189 個(gè)特征點(diǎn)，成功匹配的特征點(diǎn)對(duì)數(shù)為 1099 對(duì)。 SIFT 算法在 CBIR 系統(tǒng)中的應(yīng)用 在上一節(jié)的實(shí)驗(yàn)中我們已經(jīng)驗(yàn)證： SIFT 算法是一種良好的局部特征描述子，對(duì)平移、尺度、旋轉(zhuǎn)、噪聲、視角變化和亮度變化具有良好的不變性，能對(duì)兩幅圖像中的同一對(duì)象進(jìn)行準(zhǔn)確的匹配。另外，對(duì)比圖 S1（或 S2）與圖F1（或 F2）的檢索結(jié)果， SIFT 算法對(duì)紋理復(fù)雜、細(xì)節(jié)豐富 的圖像具有良好的特征提取能力，如圖 F F2，而對(duì)紋理簡(jiǎn)單、灰度值變化緩慢的圖像則往往不能獲取足夠的特征點(diǎn)，如圖 S S2。從圖中我們可以看出，雖然 SIFT 算法在這兩種條件下匹配成哈爾濱理工大學(xué)學(xué)士學(xué)位論文 27 功的特征點(diǎn)對(duì)數(shù)有所下降，但途中關(guān)鍵的特征點(diǎn)依然能夠正確匹配，表現(xiàn)出良好的魯棒性。至此 SIFT 算法所有步驟全部完成，至于它的特征匹配方法在第二章第二節(jié)里已分析完畢，這里不再重復(fù)。~360176。將關(guān)鍵點(diǎn)附近劃分成 dd 個(gè)子區(qū)域，每個(gè)子 區(qū)域尺寸為 mσ 個(gè)像元（ d=4， m=3， σ 為尺特征點(diǎn)的尺度值）。 獲得圖像關(guān)鍵點(diǎn)主方向后，每個(gè)關(guān)鍵點(diǎn)有三個(gè)信息 (x,y,σ,θ)：位置 、尺度、方向。 主 方 向 圖 35 用直方圖統(tǒng)計(jì)像元梯度 在計(jì)算直方圖時(shí)，每個(gè)加入直方 圖的采樣點(diǎn)都使 要 用圓形高斯函數(shù)函數(shù)進(jìn)行加權(quán)處理，也就是進(jìn)行高斯平滑。 ( , ) ( , , ) ( , )L x y G x y I x y? ? ? (318) 使用有限差分，計(jì)算以關(guān)鍵點(diǎn)為中心 、 以 3 為半徑的區(qū)域內(nèi)圖像梯度的幅角和幅值，公式如下 。 D 的主曲率和 H 的特征值成正比，為了避免直接的計(jì)算這些特征值，只考慮它們的之間的比率。 由于 DoG 值對(duì)噪聲和邊緣較敏感，因此，在上面 DoG 尺度空間中檢測(cè)到局部極值點(diǎn)還要經(jīng)過進(jìn)一步的檢驗(yàn)才能精確定位為特征點(diǎn)。如果圖像中某像元附近灰度值變化不大，則不同尺度下高斯圖像中相應(yīng)像元的灰度值相差不大，在差分后形成的高斯差分圖像中，相應(yīng)像元的灰度值越?。幌裨浇叶戎底兓酱?，在不同尺度下的高斯圖像相應(yīng)像元的灰度值相差越大，差分后的高斯差分圖相應(yīng)像元 的灰度值也越大。這里先來分析高斯金子塔中每張圖像尺度參數(shù) ? 的確定方法。 ? 越大，圖像的尺度越大，所反映的是圖想的整體特征， ? 越小，圖像的初尺度越小，反映的是圖像的細(xì)節(jié)特征。式 31 為尺度規(guī)范化的 GoG算子： 2222 2 2( , ,G G L o G x yG xy? ? ? ?? ? ? ?? ? ? (31) 哈爾濱理工大學(xué)學(xué)士學(xué)位論文 16 LoG 算子與高斯核函數(shù) ( , , )G x y? 又有如下關(guān)系： 2 ( , , ) ( , , )( 1 )G x y k G x yG k? ? ?? ? ? ?? (32) 2( , , ) ( , , ) ( 1 )G x y k G x y k G? ? ? ? ? ? ? (33) ( , , ) ( , , )( , , ) ( 1 )G x y k G x yL oG x y k? ? ??? ? (34) 式中，通過推導(dǎo)可以看出， LoG 算子與高斯核函數(shù)的差有近似關(guān)系，由此引入一種新的算子 DoG（ Difference of Gaussian），即高斯差分算子作為 LoG 算子的近似。 圖像的尺度空間表達(dá)就是圖像在所有尺度下的描述 ， 即尺度空間是由同一副圖片分別使用不同尺度表示所組成的圖像組。 哈爾濱理工大學(xué)學(xué)士學(xué)位論文 15 第 3章 SIFT 算法原理及性能驗(yàn)證 SIFT 算法原理 SIFT 算法（ Scale Invariant Feature Transform）是一種 基于尺度空間的、對(duì)圖像縮放、旋轉(zhuǎn)甚至仿射變換保持不變性的圖像局部特征描述算子 ，最早是由 British Columbia 大學(xué) 的 大衛(wèi) 而希望去除檢索結(jié)果中的不相關(guān)文檔時(shí)，務(wù)必要將 “檢索策略 ”定的更加嚴(yán)格，這樣也會(huì)使有一些相關(guān)的文檔不再能被檢索到，從而 使召回率受到影響。并按并按距離比率(distanceratio)準(zhǔn)則進(jìn)行特征匹配，即對(duì)于某一特征點(diǎn)，設(shè) 其描述向量 另一圖像中 與該特征點(diǎn) 最 相似的特征點(diǎn)描述向量的 歐幾里得距離為 1d ， 與 次 相似點(diǎn)描述向量 歐幾里得距離為 2d ， 計(jì)算 1d 與 2d 的比率 ratio = 1d / 2d 。 Harris 算子在圖像灰度值變化較大的部分能較好得檢測(cè)出圖像的特征點(diǎn)，但在灰度值變化較為緩和的部位則出現(xiàn)漏檢現(xiàn)象，因而檢測(cè)出的特征點(diǎn)總數(shù)較少，但 (a)(b)兩幅圖像檢測(cè)出的特征點(diǎn)總數(shù)相差不大，因而對(duì)旋轉(zhuǎn)和平移具有較好的穩(wěn)定性； SUSAN 算法對(duì)圖像中每一個(gè)區(qū) 域中的特征點(diǎn)都有良好的敏感度，但卻出現(xiàn)了冗余的邊緣與角點(diǎn)，而且兩幅圖像檢測(cè)出的特征點(diǎn)數(shù)量相差較大，體現(xiàn)出它對(duì)旋轉(zhuǎn)的不穩(wěn)定性；而 SIFT 算法出了檢測(cè)出合適數(shù)量的邊緣與角點(diǎn)外，還檢測(cè)出圖像中線段交叉點(diǎn)和曲線曲率較大的點(diǎn)，能更全面的反映圖像特征，而且對(duì)旋轉(zhuǎn)具有出色的穩(wěn)定性。 各算法性能比較 為比較各上文提出的三種點(diǎn)特征檢測(cè)算法的性能，本文設(shè)計(jì)了實(shí)驗(yàn)對(duì)上述算法進(jìn)行驗(yàn)證。 于是角點(diǎn)定義為下式的局部最大值。 SUSAN 算子的突出有點(diǎn)是 對(duì)局部的噪聲不敏感，抗干擾性強(qiáng)。 首先 ， 將模板放置在圖像某一像元上，然后比較模板內(nèi)部每個(gè)圖像像元的灰度值都與模板中心像素的灰度值。 點(diǎn)特征提取算子 點(diǎn)特征在相同條件下與其他圖像特征相比，能夠概括更多的圖像信息，而且具有更少的計(jì)算量，現(xiàn)階段局部特征算法的研究也主要以點(diǎn)特征的提取與匹配為研究方向。后者的描述子主要為各種矩不變量，如 Hu 不變矩、 Legenda 矩、 Zernike 矩等。顏色特征與圖像中的物體或背景息息相關(guān)，因此對(duì)圖像具有較強(qiáng)的描述性，另外顏色特征的提取方法相對(duì)簡(jiǎn)單，描述準(zhǔn)確。 點(diǎn)特征是最重要的圖像特征，目前 大部分 局部特征 提取 算法都是基于點(diǎn)特征提出的。 主要工作內(nèi)容 CBIR 系統(tǒng)的組成和各個(gè)模塊的原理和細(xì)節(jié)，涉及的關(guān)鍵技術(shù)，對(duì)比分析了現(xiàn)有的幾個(gè)著名的 CBIR 系統(tǒng)的基本原理和特點(diǎn)。另外也可以迅速查找典型病例進(jìn)行教學(xué)，對(duì)醫(yī)學(xué)研究也會(huì)產(chǎn)生深遠(yuǎn)影響。其基本原理及具體實(shí)現(xiàn)方法將在第三章詳細(xì)介紹。 早在 1977 年 Moravec就提出了點(diǎn)特征這個(gè)概念 ， 他 將圖像 特征點(diǎn) 稱 為“興趣點(diǎn)” ， 通過灰度自相關(guān)函數(shù)來衡量某像 元與 其鄰域 像元的關(guān)系。 查詢模式是指用戶用何種方式向系統(tǒng)提交何種類型的查詢信息 ，主要有以下幾種模式 ： 由用戶提供一個(gè)查詢圖像 (query image)進(jìn)行檢索的 按例查詢 (QBE, Query By Example)、 以用戶繪制簡(jiǎn)單的圖形為標(biāo)準(zhǔn)進(jìn)行查詢 的 按草圖查詢 (query by sketch)、 由用戶指定對(duì)檢 索條件的描述 ，然后據(jù)此查詢的 按描述查詢例。因此，要想利用高層語義特征進(jìn)行圖像檢索，勢(shì)必需要人工智能、機(jī)器學(xué)習(xí)等相關(guān)理論的發(fā)展，這還有待更加深入的研究和探索。 它不同于 TBIR 技術(shù)，不需要人工參與圖像特征的描述，而是按照一定的方法有計(jì)算機(jī)自動(dòng)完成，然后建立索引，因此相對(duì)于 TBIR 技術(shù)，它擁有許多優(yōu)點(diǎn)： 計(jì)算機(jī)進(jìn)行特征的分析與提取取，無需人工參與，避免了由于主觀意識(shí)不同而引起的誤差，又節(jié)省了大量的人力物力財(cái)力，同時(shí)大大提高了建立索引的時(shí)間，圖像庫的管理也更加方便高效。隨著圖像庫規(guī)模的增加， TBIR 技術(shù)的弊端日益顯露。 SIFT algorithm 哈爾濱理工大學(xué)學(xué)士學(xué)位論文 III 目 錄 摘要 ....................................................................................................................... I Abstract ................................................................................................................ II 第 1 章 緒 論 .....................................................................................................1 研究背景 ....................................................................................................1 CBIR 系統(tǒng)概述 ...........................................................................................1 研究現(xiàn)狀 ....................................................................................................3 應(yīng)用領(lǐng)域 ....................................................................................................4 主要工作內(nèi)容 ............................................................................................5 第 2 章 CBIR 系統(tǒng)關(guān)鍵技術(shù)環(huán)節(jié) .......................................................................6 特征提取技術(shù) ............................................................................................6 圖像特征基礎(chǔ) .....................................................................................6 點(diǎn)特征提取算子 .................................................................................7 各算法性能比較 ............................................................................... 11 匹配與相似性度量 ..................................................................................13 CBIR 系統(tǒng)性能評(píng)價(jià) ................................................................................14 本章小結(jié) ..................................................................................................14 第 3 章 SIFT 算法原理及性能驗(yàn)證 ..................................................................15 SIFT 算法原理 ..........................................................................................15 DoG 尺度空間的構(gòu)造 .......................................................................15 關(guān)鍵點(diǎn)搜索與定位 ...........................................................................19 特征點(diǎn)方向賦值 ...............................................................................21 關(guān)鍵點(diǎn)描述 .......................................................................................22 SIFT 算法性能實(shí)驗(yàn) ................