数字图像处理学习笔记（一）：特征检测和匹配概述

数字图像处理学习笔记（一）：特征检测和匹配概述

参考博客：

• 特征点的匹配
• SIFT特征详解
• 数字图像处理学习笔记（二）：SIFT（尺度不变特征变换）算法

1、特征点概述

如何高效且准确的匹配出两个不同视角的图像中的同一个物体，是许多计算机视觉应用中的第一步。虽然图像在计算机中是以灰度矩阵的形式存在的，但是利用图像的灰度并不能准确的找出两幅图像中的同一个物体。这是由于灰度受光照的影响，并且当图像视角变化后，同一个物体的灰度值也会跟着变化。所以，就需要找出一种能够在相机进行移动和旋转（视角发生变化），仍然能够保持不变的特征，利用这些不变的特征来找出不同视角的图像中的同一个物体。

为了能够更好的进行图像匹配，需要在图像中选择具有代表性的区域，例如：图像中的角点、边缘和一些区块，但在图像识别出角点是最容易，也就是说角点的辨识度是最高的。所以，在很多的计算机视觉处理中，都是提取角点作为特征，对图像进行匹配，例如SFM，视觉SLAM等。

但是，单纯的角点并不能很好的满足我们的需求，例如：相机从远处得到的是角点，但是在近处就可能不是角点；或者，当相机旋转后，角点就发生了变化。为此，计算机视觉的研究者们设计了许多更为稳定的的特征点，这些特征点不会随着相机的移动，旋转或者光照的变化而变化。例如：SIFT,SURF,ORB等

一个图像的特征点由两部分构成：

• 关键点（Keypoint）：关键点指的是该特征点在图像中的位置，有些还具有方向、尺度信息；
• 描述子（Descriptor）：描述子通常是一个向量，按照人为的设计的方式，描述关键点周围像素的信息。
  通常描述子是按照外观相似的特征应该有相似的描述子设计的。因此，在匹配的时候，只要两个特征点的描述子在向量空间的距离相近，就可以认为它们是同一个特征点。

2、特征点的匹配

特征点的匹配通常需要以下三个步骤：

1）提取图像中的关键点，这部分是查找图像中具有某些特征（不同的算法有不同的）的像素；
2