计算机视觉07-第四章特征提取

1、2021/3/231第四章第四章 特征的提取与匹配特征的提取与匹配2021/3/2322021/3/2332021/3/234特征的提取和匹配特征的提取和匹配 对于左图像中的每一个特征对于左图像中的每一个特征左图像左图像角点角点线线结构结构2021/3/235特征的提取和匹配特征的提取和匹配 在右图像中寻找相似度最大的特征在右图像中寻找相似度最大的特征右图像右图像角点角点线线结构结构2021/3/236基于特征的计算机视觉处理的一般流程基于特征的计算机视觉处理的一般流程 特征提取特征提取确定显著性图像特征（点、线、面）的位置确定显著性图像特征（点、线、面）的位置 特征描述特征描述对特征进行紧凑

2、、唯一、可理解的描述对特征进行紧凑、唯一、可理解的描述 特征匹配特征匹配在其它图像中寻找相似度最大的特征在其它图像中寻找相似度最大的特征 特征跟踪（可选特征跟踪（可选,一般用于视频处理）一般用于视频处理）仅在原有特征的很小的邻域范围内寻找特征仅在原有特征的很小的邻域范围内寻找特征2021/3/237主要内容主要内容 点特征的处理点特征的处理 面特征的处理面特征的处理 边缘特征的处理边缘特征的处理 线特征的处理线特征的处理2021/3/238点特征提取算法点特征提取算法点特征主要指明显点,提取点特征的算子称为兴趣算子或有利算子 2021/3/239点特征的灰度特征点特征的灰度特征2021/3/2

3、310Moravec算子算子 Moravec于1977年提出利用灰度方差提取点特征的算子 rcw2021/3/2311121,1,4121,3121,1,212,1,1)()()()(kkiiricirickkiircirckkiiricirickkiricricggVggVggVggV（1）计算各像素的兴趣值 IV,min4321,VVVVIVrcK=int(w/2) 2021/3/2312（2 2）给定一经验阈值给定一经验阈值, ,将兴趣值大将兴趣值大于阈值的点作为候选点。于阈值的点作为候选点。 （3 3）选取候选点中的极值点作为）选取候选点中的极值点作为 特征点特征点。 综上所述综上所述

4、, ,Moravec算子是在四个主算子是在四个主要方向上要方向上, ,选择具有最大选择具有最大最小灰最小灰度方差的点作为特征点。度方差的点作为特征点。2021/3/2313Forstner算子算子 计算各像素的计算各像素的RobertsRoberts梯度梯度和像素（和像素（c,rc,r）为中心的）为中心的一个窗口的一个窗口的灰度自方差矩阵灰度自方差矩阵, ,在图像中寻找具有尽在图像中寻找具有尽可能小而接近圆的误差椭圆的点作为特征点。可能小而接近圆的误差椭圆的点作为特征点。 -111-1Roberts梯度梯度crl2021/3/2314（l l）计算各像素的）计算各像素的RobertsRober

5、ts梯度梯度 jijivjijiuggvggggugg, 11,1, 1Forstner算子步骤算子步骤2021/3/2315（2 2）计算）计算l l（如（如5 5 5 5或更大）窗口中或更大）窗口中灰度的自方差矩阵灰度的自方差矩阵 22uuvvuvgggQNg gg )()()(,11,111,12,1111,22,111,12jijijikckcikrkrjjivujikckcikrkrjjivjikckcikrkrjjiugggggggggggg2021/3/2316哪个图像块更容易被定位哪个图像块更容易被定位? ?2021/3/2317Aperture problems for di

6、fferent image patches:2021/3/2318判断两幅图像的相似度判断两幅图像的相似度由于无法得到另一幅图像由于无法得到另一幅图像,只能在当前图像内寻找只能在当前图像内寻找根据泰勒级数展开根据泰勒级数展开,可得可得,2021/3/2319图像自相关函数分析图像自相关函数分析矩阵矩阵A A与信号处理中的自相关函数密切相关与信号处理中的自相关函数密切相关. .设设,为矩阵为矩阵A A的特征值的特征值, ,则则, ,与局部自相关函数的主与局部自相关函数的主曲率成比例曲率成比例. .当两个曲率都低时当两个曲率都低时, ,局部自相关函数是平坦的局部自相关函数是平坦的, ,那么窗口图那

7、么窗口图像区域的灰度值近似为常量像区域的灰度值近似为常量; ;当只有一个曲率高而另一个曲率当只有一个曲率高而另一个曲率低时低时, ,局部自相关函数呈脊形局部自相关函数呈脊形, ,那么那么E E只有当沿山脊移动时变化只有当沿山脊移动时变化小小, ,这就表示是边缘这就表示是边缘; ;当两个曲率都高时当两个曲率都高时, ,局部自相关函数是尖局部自相关函数是尖峰峰, ,那么那么E E在任意方向上移动都会增加在任意方向上移动都会增加, ,这就表示是角点这就表示是角点. .因此我们可以由因此我们可以由, ,的值判断是否是角点。为了不对的值判断是否是角点。为了不对M M进进行分解求特征值行分解求特征值, ,

8、可以采用可以采用Tr(A)Tr(A)和和Det(A)Det(A)来代替来代替, , , 2( )( )Tr AABDet AABC2xAI2yBIxyCI I2021/3/23202021/3/23212021/3/2322（3 3）计算兴趣值）计算兴趣值q q与与w w NNQtrDettr12)(4trNDetNq DetNDetN代表矩阵代表矩阵N N之行列式之行列式trNtrN代表矩阵代表矩阵N N之迹之迹2021/3/2323 (4）确定待选点 )5()5.15.0(75.05.0ccfwfTTcq当 同时 ,该像素为待选点 qTq wTw（5）选取极值点 即在一个适当窗口中选择最大

9、的待选点 2021/3/2324Harris算子算子 角点是景物轮廓线上曲率的局部极大点角点是景物轮廓线上曲率的局部极大点,对掌握景物对掌握景物的轮廓特征具有决定作用。一旦找到了景物的轮廓特的轮廓特征具有决定作用。一旦找到了景物的轮廓特征点也就大致掌握了景物的形状。直观的讲征点也就大致掌握了景物的形状。直观的讲,角点就角点就是图像上所显示的物体边缘拐角所在的位置点。是图像上所显示的物体边缘拐角所在的位置点。 HarrisHarris角点检测法是一种基于图像灰度的检测方法角点检测法是一种基于图像灰度的检测方法, ,这类方法主要通过计算点的曲率及梯度来检测角点。这类方法主要通过计算点的曲率及梯度来

10、检测角点。该方法是由该方法是由HarrisHarris和和StephenStephen于于19881988年提出来的年提出来的, ,也也叫叫PlesseyPlessey角点检测法。其基本思想与角点检测法。其基本思想与MoravecMoravec角点算角点算子相似子相似, ,但对其作了许多改进。但对其作了许多改进。2021/3/2325MoravecMoravec角点算子角点算子计算各像素沿同方向的平均灰度变化计算各像素沿同方向的平均灰度变化,选取最小值作为对应选取最小值作为对应像素点的角点响应函数。定义在一定范围内具有最大角点响像素点的角点响应函数。定义在一定范围内具有最大角点响应的像素点为角

11、点。应的像素点为角点。MoravecMoravec角点算子简单快速角点算子简单快速, ,但是它存在一些缺点但是它存在一些缺点: :各向异性各向异性, ,只考虑四个方向只考虑四个方向对强边界敏感对强边界敏感, ,只考虑了兴趣值的最小值只考虑了兴趣值的最小值 2021/3/2326HarrisHarris角点算子角点算子这里一阶微分可以由下面的式子近似这里一阶微分可以由下面的式子近似 因此因此,E,E可以表现成可以表现成: :2021/3/2327HarrisHarris角点算子角点算子为消除噪声为消除噪声, ,进行高斯平滑进行高斯平滑: :( )xxyxyygg gMG sg gg在平移方向在平

12、移方向(x,y)(x,y)上的上的E E可以表示如下可以表示如下: : M为为 2 22 2的矩阵的矩阵: :2021/3/2328HarrisHarris角点算子角点算子兴趣值的计算公式为兴趣值的计算公式为: :HarrisHarris算法认为算法认为, ,特征点是局部范围内的极大兴趣值对应的像特征点是局部范围内的极大兴趣值对应的像素。因此素。因此, ,在计算完各点的兴趣值后在计算完各点的兴趣值后, ,要提取出原始图像中的所要提取出原始图像中的所有局部兴趣值最大的点。有局部兴趣值最大的点。实际操作中实际操作中, ,可以依次取出每个像素的可以依次取出每个像素的8 8邻域中的邻域中的8 8个像素

13、个像素, ,从中从中心像素和这心像素和这8 8个像素中提出最大值个像素中提出最大值, ,如果中心点像素的兴趣值就如果中心点像素的兴趣值就是最大值是最大值, ,则该点就是特征点。则该点就是特征点。在提取特征点时在提取特征点时, ,凡满足大于某一阈值的像素点均可被认为是凡满足大于某一阈值的像素点均可被认为是特征点。特征点。阈值选取的方法阈值选取的方法: :通过确定图像中所能提取的最大可能的特征通过确定图像中所能提取的最大可能的特征点数目点数目N N来选择值最大的若干像素点作为特征点。局部极值点的来选择值最大的若干像素点作为特征点。局部极值点的数目往往很多数目往往很多, ,根据根据I I值进行排序值

14、进行排序, ,取其前取其前N N个为特征点。个为特征点。 2()(),0.04IDet MkTraceMk2021/3/2329SUSAN算子算子 SUSANSUSAN算法由算法由Smith S MSmith S M在在19971997年提出年提出, ,是一是一种基于结构元的点特征提取算子种基于结构元的点特征提取算子. . SUSANSUSAN是是“Smallest Univalue Segment Smallest Univalue Segment Assimilating NucleusAssimilating Nucleus”的缩写的缩写, ,即同化核即同化核分割最小值。分割最小值。20

15、21/3/2330 假设有一个圆形的区域假设有一个圆形的区域, ,称其为掩模。它的称其为掩模。它的中心有一个核中心有一个核, ,假设这个核的灰度值与黑色假设这个核的灰度值与黑色区域的灰度值相近。区域的灰度值相近。SUSAN算子算子2021/3/2331SUSAN算子算子 在整个区域内移动这个掩模在整个区域内移动这个掩模, ,它与黑色区域将有不同的接它与黑色区域将有不同的接触情况。不失一般性触情况。不失一般性, ,在图中表示了其中的四种情况在图中表示了其中的四种情况: :在在掩模所处的区域内掩模所处的区域内, ,这些点与掩模核的灰度值如果相近的这些点与掩模核的灰度值如果相近的话话, ,就称这些点

16、构成的区域是就称这些点构成的区域是USAN(Univalue Segment USAN(Univalue Segment Assimilating Nucleus),Assimilating Nucleus),即同化核分割相同值区域。根即同化核分割相同值区域。根据这一定义可知上图各种情况下据这一定义可知上图各种情况下, ,由设定的掩模所确定的由设定的掩模所确定的USANUSAN如下图所示如下图所示: :2021/3/2332SUSAN算子算子 图图2 2是图是图1 1中相应掩模位置的中相应掩模位置的USANUSAN标识图标识图, ,图中黑图中黑色区域即为色区域即为USAN,USAN,可以看到可

17、以看到USANUSAN包含了图像结构包含了图像结构的重要信息。掩模核及掩模完全包含在图像（黑的重要信息。掩模核及掩模完全包含在图像（黑色区域）中时色区域）中时,USAN,USAN的值最大的值最大; ;掩模核处在图像的掩模核处在图像的一条直线边缘附近时一条直线边缘附近时, ,USANUSAN值接近其最大值的一值接近其最大值的一半半; ;掩模核若在图像的一个角点处掩模核若在图像的一个角点处, ,则则USANUSAN值接近值接近最大值的四分之一。在一幅图像中搜索图像角点最大值的四分之一。在一幅图像中搜索图像角点或边缘点或边缘点, ,就是搜索就是搜索USANUSAN最小（小于一定值）的最小（小于一定值

18、）的点点, ,即搜索最小化同化核分割相同值。这样可得即搜索最小化同化核分割相同值。这样可得到特征点检测的到特征点检测的SUSANSUSAN算法。算法。2021/3/2333SUSAN算子算子 构造一个（圆形）掩模构造一个（圆形）掩模, ,遍历图像的每一个点。判断掩遍历图像的每一个点。判断掩模所掩盖的区域内的点与掩模的相似程度模所掩盖的区域内的点与掩模的相似程度, ,采用以下相采用以下相似比较函数似比较函数: : 600( , )(,)( , )expI x yI xyC x ytn 掩模区域的掩模区域的USANUSAN值为值为: :0000( , ) (,)(,)( , )x yxyn x y

19、C x ynn为为USANUSAN中像素个数中像素个数, ,它给出了它给出了USANUSAN值。值。2021/3/2334SUSAN算子算子 将与某固定阈值相比较将与某固定阈值相比较, ,得到得到SUSANSUSAN算法对图像角点的响算法对图像角点的响应函数如下式所示应函数如下式所示: : 00000000(,)(,)(,)0(,)gn xyn xygR xyn xyg2/maxng maxn为为n的最大值的最大值 dn为提高抗噪声干扰能力为提高抗噪声干扰能力, ,在利用在利用USANUSAN值进行阈值比较时值进行阈值比较时, ,不仅设不仅设定一个上限定一个上限g,有时还设定一个下限有时还设定

20、一个下限d.下限的设定是为了排除孤立下限的设定是为了排除孤立噪声点的干扰噪声点的干扰, ,通常情况下取通常情况下取2 21010个像素。同时个像素。同时, ,利用利用USANUSAN重心重心与核心点连线上的像素点的边缘初始值要相近的条件来消除错与核心点连线上的像素点的边缘初始值要相近的条件来消除错误的角点。误的角点。 2021/3/2335几种算子性能的比较几种算子性能的比较 图像质量较好时图像质量较好时ForstnerForstner算子在纹理丰富地区特征点也丰富算子在纹理丰富地区特征点也丰富, ,在纹理匮乏地区几乎没有在纹理匮乏地区几乎没有; ;SusanSusan算子适合提取大量密集的特

21、征点算子适合提取大量密集的特征点, ,速度很速度很快快; ;HarrisHarris算子提取的特征点分布较为均匀算子提取的特征点分布较为均匀, ,且速且速度精度适中度精度适中; ;2021/3/2336几种算子性能的比较几种算子性能的比较 图像中噪声较多时图像中噪声较多时利用利用HarrisHarris算子不需设置阈值算子不需设置阈值, ,整个过程的自动化程度整个过程的自动化程度高高, ,可以根据匹配结果可以根据匹配结果, ,定量调整提取的特征点数。同定量调整提取的特征点数。同时它抗干扰强、精度高。时它抗干扰强、精度高。SUSANSUSAN算子提取特征点分布合理算子提取特征点分布合理, ,较适

22、合提取图像边缘较适合提取图像边缘上的拐点上的拐点, ,由于它不需对图像求导数由于它不需对图像求导数, ,所以也有较强的所以也有较强的抗噪声能力抗噪声能力, ,利用利用SUSANSUSAN算法提取图像拐点算法提取图像拐点, ,阈值的选取阈值的选取是关键。它没有自适应算法是关键。它没有自适应算法, ,也不象也不象HarrisHarris算法可根据算法可根据需要提出一定数目的特征点。但该算法编程容易需要提出一定数目的特征点。但该算法编程容易, ,易于易于硬件实现。硬件实现。 2021/3/2337SIFT算法算法 SIFT算法由加拿大算法由加拿大University of British Colum

23、bia的的D.G.Lowe 1999年提出年提出,2004年完善总结。年完善总结。 Object Recognition from Local Scale-Invariant Features(ICCV,1999) Distinctive Image Features from Scale-Invariant Keypoints(IJCV,2004)2021/3/2338SIFT SIFT 主要思想主要思想 SIFTSIFT算法是一种提取局部特征的算法算法是一种提取局部特征的算法, ,在在尺度空间寻找极值点尺度空间寻找极值点, ,并确定关键点并确定关键点(Key (Key points)poi

24、nts)的位置和关键点所处的尺度的位置和关键点所处的尺度; ; 然后使用关键点邻域梯度的主方向作为该然后使用关键点邻域梯度的主方向作为该点的方向特征点的方向特征, ,以实现算子对尺度和方向的以实现算子对尺度和方向的无关性。无关性。 2021/3/23392021/3/2340SIFTSIFT算法的主要特点算法的主要特点 a) SIFT a) SIFT特征是图像的局部特征特征是图像的局部特征, ,其对旋转、尺度缩其对旋转、尺度缩放、亮度变化保持不变性放、亮度变化保持不变性, ,对视角变化、仿射变换、对视角变化、仿射变换、噪声也保持一定程度的稳定性。噪声也保持一定程度的稳定性。 b) b) 独特性

25、独特性(Distinctiveness)(Distinctiveness)好好, ,信息量丰富信息量丰富, ,适用适用于在海量特征数据库中进行快速、准确的匹配。于在海量特征数据库中进行快速、准确的匹配。 c) c) 多量性多量性, ,即使少数的几个物体也可以产生大量即使少数的几个物体也可以产生大量SIFTSIFT特征向量。特征向量。 d) d) 高速性高速性, ,经优化的经优化的SIFTSIFT匹配算法甚至可以达到实匹配算法甚至可以达到实时的要求。时的要求。 e) e) 可扩展性可扩展性, ,可以很方便的与其他形式的特征向量可以很方便的与其他形式的特征向量进行联合。进行联合。2021/3/23

26、41SIFTSIFT算法步骤算法步骤 1.1.检测尺度空间极值点检测尺度空间极值点2.2.精确定位极值点精确定位极值点3.3.为每个关键点指定方向参数为每个关键点指定方向参数4.4.关键点描述子的生成关键点描述子的生成5.5.特征匹配特征匹配2021/3/23421.1.检测尺度空间极值点检测尺度空间极值点 在对有噪声的图像求取边缘点时在对有噪声的图像求取边缘点时, ,可以先用平滑滤可以先用平滑滤波器对图像平滑波器对图像平滑, ,然后再对平滑后的图像求两阶微然后再对平滑后的图像求两阶微分分, ,并检测局部极值点并检测局部极值点. . 高斯卷积核是实现尺度变换的唯一线性核高斯卷积核是实现尺度变换

27、的唯一线性核, ,所以所以SIFTSIFT算法中使用了高斯滤波器对图像进行平滑处算法中使用了高斯滤波器对图像进行平滑处理理. . （x x, ,y y）是空间坐标）是空间坐标, , 是尺度参数。是尺度参数。2)(22/21),(22yxeyxG2021/3/2343尺度空间的生成尺度空间的生成 尺度空间理论是通过对原始图像进行尺度变换尺度空间理论是通过对原始图像进行尺度变换, , 获得图获得图像多尺度下的尺度空间表示序列像多尺度下的尺度空间表示序列, , 对这些序列进行尺度对这些序列进行尺度空间主轮廓的提取空间主轮廓的提取, , 并以该主轮廓作为一种特征向量并以该主轮廓作为一种特征向量, ,

28、实现边缘、角点检测和不同分辨率上的特征提取等。实现边缘、角点检测和不同分辨率上的特征提取等。 一副二维图像的尺度空间定义为一副二维图像的尺度空间定义为: : 对原始图像做多次的高斯平滑处理对原始图像做多次的高斯平滑处理, ,也就得到了一个多尺也就得到了一个多尺度图像金字塔度图像金字塔 图像金字塔能够很好的显示图像多尺度空间的特征图像金字塔能够很好的显示图像多尺度空间的特征,SIFT,SIFT算法中的图像金字塔共有算法中的图像金字塔共有o o组组, ,每组有每组有S S层层, ,下一组的图像下一组的图像由上一组图像降采样得到由上一组图像降采样得到. . ),(),(),(yxIyxGyxL202

29、1/3/2344多尺度图像金字塔多尺度图像金字塔2021/3/2345DOGDOG图像金字塔图像金字塔 对平滑后的图像求两阶微分对平滑后的图像求两阶微分, ,并检测局部极并检测局部极值点值点. . 对于高斯函数而言对于高斯函数而言, ,其两阶微分可以用两个其两阶微分可以用两个不同尺度高斯函数的差近似表示不同尺度高斯函数的差近似表示. . 根据这一原理可以得到根据这一原理可以得到DOGDOG图像金字塔图像金字塔2021/3/2346DOGDOG图像金字塔图像金字塔2021/3/23472021/3/2348检测极值点检测极值点2021/3/2349构建构建DOGDOG尺度空间需确定的参数尺度空间

30、需确定的参数尺度空间坐标尺度空间坐标; ; Ooctaveoctave坐标坐标; ; S sub-level sub-level 坐标坐标和和O、S的关系的关系 为基准层尺度为基准层尺度空间坐标空间坐标x是组是组octave的函数的函数,设是设是o组的空间坐标组的空间坐标,则则如果如果 是基础组是基础组o=0的分辨率的分辨率,则其他组的分辨率则其他组的分辨率由下式获得由下式获得:Lowe使用的参数使用的参数Ssoso/02),(,1,.,0minOoo 1,.,0Ss0 1,.,01,.,0,20000MNxoxxo00,MN0000,22ooNMNM1/0min0.5,1.6 2,1,3Sn

31、oS 2021/3/23502.2.极值点定位极值点定位 在某个像素点被确定为尺度空间的极值点在某个像素点被确定为尺度空间的极值点以后以后, ,下一步的任务就是确定它的位置、尺下一步的任务就是确定它的位置、尺度及主曲率度及主曲率, ,同时去除低对比度的关键点和同时去除低对比度的关键点和不稳定的边缘响应点不稳定的边缘响应点( (因为因为DoGDoG算子会产生算子会产生较强的边缘响应较强的边缘响应) ), ,增强匹配稳定性、提高增强匹配稳定性、提高抗噪声能力抗噪声能力 2021/3/2351极值点位置的确定极值点位置的确定 Lowe99Lowe99年的文章中极值点被简单定位在中年的文章中极值点被简

32、单定位在中间采样点上。间采样点上。 在在20042004的论文中对此进行了改进。通过拟的论文中对此进行了改进。通过拟和三维二次函数以精确确定关键点的位置和三维二次函数以精确确定关键点的位置和尺度（达到亚像素精度）。和尺度（达到亚像素精度）。 这个改进减少了提取特征的数量这个改进减少了提取特征的数量, ,增强了匹增强了匹配的鲁棒性配的鲁棒性2021/3/2352边缘响应的去除边缘响应的去除 其主要思想是一个定义不好的高斯差分算子其主要思想是一个定义不好的高斯差分算子的极值在横跨边缘的地方有较大的主曲率的极值在横跨边缘的地方有较大的主曲率, ,而在垂直边缘的方向有较小的主曲率。而在垂直边缘的方向有

33、较小的主曲率。 主曲率通过一个主曲率通过一个2x2 2x2 的的HessianHessian矩阵矩阵H H求出求出, ,矩阵中的导数可以由采样点相邻差估计得到。矩阵中的导数可以由采样点相邻差估计得到。 2021/3/2353D的主曲率和的主曲率和H的特征值成正比的特征值成正比,令令为最大特征值为最大特征值, 为最小的为最小的特征值特征值,则则令令，则：，则： (r + 1)2/r的值在两个特征值相等的时候最小的值在两个特征值相等的时候最小,随着随着r的增大而增的增大而增大大, 因此因此,为了检测主曲率是否在某阈值为了检测主曲率是否在某阈值r下下,只需检测只需检测在在Lowe的文章中的文章中,取

34、取r0.46。2021/3/23542021/3/23553.3.关键点朝向关键点朝向 主要思想主要思想 利用关键点邻域像素的梯度方向分布特性利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数为每个关键点指定方向参数, ,使算子具备旋使算子具备旋转不变性。转不变性。 (x,y)(x,y)处的梯度值和梯度方向公式处的梯度值和梯度方向公式 其中其中L L所用的尺度为每个关键点各自所在所用的尺度为每个关键点各自所在的尺度的尺度2021/3/2356确定关键点朝向确定关键点朝向 在实际计算时在实际计算时, ,我们在以关键点为中心的邻域窗口内采样我们在以关键点为中心的邻域窗口内采样, ,并用直

35、方图统计邻域像素的梯度方向。直方图的峰值则并用直方图统计邻域像素的梯度方向。直方图的峰值则代表了该关键点处邻域梯度的主方向代表了该关键点处邻域梯度的主方向, ,即作为该关键点的即作为该关键点的方向。方向。 在梯度方向直方图中在梯度方向直方图中, ,当存在另一个相当于主峰值当存在另一个相当于主峰值80%80%能能量的峰值时量的峰值时, ,则将这个方向认为是该关键点的辅方向。一则将这个方向认为是该关键点的辅方向。一个关键点可能会被指定具有多个方向（一个主方向个关键点可能会被指定具有多个方向（一个主方向, ,一个一个以上辅方向）以上辅方向）, ,这可以增强匹配的鲁棒性。这可以增强匹配的鲁棒性。 20

36、21/3/23574.4.关键点描述子的生成关键点描述子的生成 至此至此, ,图像的关键点已检测完毕图像的关键点已检测完毕, ,每个关键点有每个关键点有三个信息三个信息: :位置、所处尺度、方向。位置、所处尺度、方向。 由此可以确定一个由此可以确定一个SIFTSIFT特征区域特征区域, ,用箭头表示用箭头表示 2021/3/2358关键点描述子的生成关键点描述子的生成 接下来以关键点为中心取接下来以关键点为中心取8 88 8的窗口。图左部分的中央黑的窗口。图左部分的中央黑点为当前关键点的位置点为当前关键点的位置, ,每个小格代表关键点邻域所在尺每个小格代表关键点邻域所在尺度空间的一个像素度空间的一个像素