opencv2.4.9源码分析——SIFT
详细介绍SIFT算法，opencv的SIFT源码分析，以及应用实例SIFT算法进行了改进,通过对两个相邻高斯尺度空间的图像相减,得到个DoG(高斯差分,Difference of gaussians)的响应值图像Dx,y,σ)来近似LoGD(x,y, o)=(G(x,y, ko)-G(x,y,o)O1(x,y)=L(x,y, ko)-L(x,y,a(5)其中,k为两个相邻尺度空间倍数的常数。可以证明DoG是对LoG的近似表示,并且用DoG代替LoG并不影响对图像斑点位賀的检测。而且用DoG近似LoG可以实现下列好处:第一是LoG需要使用两个方向的高斯二阶微分卷积核,而DoG直接使用晑斯卷积核,省去了卷积核生成的运算量;第二是DoG保留了个高斯尺度空间的图像,因此在生成某一空间尺度的特征时,可以直接使用公式1(或公式3)产生的尺度空间图像,而无需重新再次生成该尺度的图像:第三是DoG具有与LoG相同的性质,即稳定性好、抗干扰能力强。为了在连续的尺度下检测图像的特征点,需要建立DoG金宇塔,而DoG金宁塔的建立又离不开髙斯金字塔的建立,如下图所小,左侧为高斯金字塔,右侧为DoG金字塔:(nextoctave)Scale(firstoctave)Difference ofaussianGaussian(DOG)图1高斯金字塔和DoG金字塔高斯金字塔共分O组( Octave),每组又分S层( Layer)。组内各层图像的分辨率是相同的,即长和宽相同,但尺度逐渐增加,即越往塔顶图像越模糊。而下·组的图像是由上组图像按照隔点降采样得到的,即图像的长和宽分别减半。高斯金字塔的组数O是由输入图像的分辨牽得到的,因为要进行隔点降采样,所以在执行降釆样生成高斯金字塔时,一直到不能降采样为止,但图像太小又亳无意义,因此具体的公式为:0=| log2 min(x,y)-2」(6)其中,X和Y分别为输入图像的长和宽,L」衣示向下取整。金字塔的层数S为:(7)LoWe建议s为3。需要注意的是,除了公式7中的第一个字母是大写的S外,后面出现的都是小写的s髙斯金字塔的创建是这样的:设输入图像的尺度为0.5,由该图像得到高斯金字塔的第0组的第0层图像,它的尺度为m,我们称m为基准层尺度,再由第0层得到第1层,它的尺度为ko,第2层的尺度为k2o,以此类推。这里的k为:(8)我们以s=3为例,第0组的6(s+3=6)幅图像的尺度分别为:0,ko0,k2∞,k3o0,k∞o,k5o(9)写成更一般的公式为:d=or∈[0,,s+2](10)第0组构建完成后,再构建第1组。第1组的第0层图像是由第0组的倒数第3层图像经过隔点采样得到的。由公式10可以得到,第0组的倒数第3层图像的尺度为k∞o,k的值代入公式8,得到了该层图像的尺度正好为2∞,因此第1组的第0层图像的尺度仍然是2∞。但由于第1组图像是由第0组图像经隔点降采样得到的,因此相对于第1组图像的分辨率来说,第θ层图像的尺度为ω,即尺度为2σ是相对于输入图像的分辨率来说的,而尺度为∞是相对丁该组图像的分辨率来说的。这也就是为什么我们称0为基准层尺度的原因(它是每组图像的基准层尺度)。第1组其他层图像的生成与第0组的相同。因此可以看出,第1组各层图像的尺度相对于该组分辨率来说仍然满足公式10。这样做的好处就是编程的效率会提高,并且也保证∫高斯金字塔尺度空间的连续性。而之所以会出现这样的结果,是因为在参数选择上同吋满足公式7、公式8以及对上·组倒数第3层图像降釆样这三个条件的原因。那么第1组各层图像相对」输入图像来说,它们的尺度为:=2k00r∈[0,,S-2该公式与公式10相比较可以看出,第1组各层图像的尺度比第0组相对应层图像的尺度人了一倍。高斯金字塔的其他组的构建以此类推,不再赘述。下面给出相对于输入图像的各层图像的尺度公式:o,)=2k∞O∈[0,O-1l,r∈[0,,+2(12)其中,O表示组的坐标,r表示层的坐标,a为基准层尺度。k用公式8代入,得:2O∈[0,…0-1],r∈[0,…,s+2](13)在高斯金字塔中,第0组第∂层的图像是输入图像经髙斯模糊后的结果,模糊后的图像的高频部分必然会减少,因比为了最大程度的保留原图的信息量,LoWe建议在创建尺度空间前首先对输入图像的长宽扩展一倍,这样就形成了高斯金字塔的第-1组。设输入图像的尺度为0.5,那么相对于输入图像,分辨率护人一倍后的尺度应为1,由该图像依次进行高斯平滑处理得到第-1组的各个层的尺度图像,方法与其他组的一样。由于增加」第-1组,因此公式13重新写为(0∈[-1,0,…,0-1],r∈[0,…,s+2](14)DoG金字塔是由高斯金字塔得到的,即高斯金宁塔组内相邻两层图像相减得到DoG金字塔。如髙斯金字塔的第0组的筼0层和第1层相减得到DoG金字塔的第0组的箅0层图像,高斯金字塔的第0组的第1层和第2层相减得到υσG金字塔的第θ组的第1层图像以此类推。需要注意的是,高斯金字塔的组内相邻两层相减,而两组间的各层是不能相减的因此高斯金字塔每组有s+3层图像,而DoG金宁塔每组则有s+2层图像。极值点的搜索是在DoG金字塔内进行的,这些极值点就是候选的特征点。在搜索之前,我们需要在DoG金字塔内剔除那些像素值过小的点,因为这些像素具有较低的对比度,它们肯定不是稳定的特征点。极值点的搜索不仅需要在它所在尺度空间图像的邻域内进行,还需要在它的相邻尺度空间图像内进行,如图2所示。每个像素在它的尺度图像中一共有8个相邻点,而在它的下一个相邻尺度图像和上个相邻尺度图像还各有9个相鸰点(图2中绿色标注的像素),也就是说,该点是在3×3×3的立方体内被包围着,因此该点在DoG金字塔内一共有26个相邻点需要比较,来判断其是否为极大值或极小值。这里所说的相邻尺度图像指的是在同个组内,因此在DoG金字塔内,每一个组的第0层和最后一层各只有一个相邻尺度图像,所以在搜索极值点时无需在这两层尺度图像内进行,从而使极值点的搜索就只在每组的中间s层尺度图像内进行。搜索的过程是这样的:从每组的第1层开始,以第1层为当前层,对第1层的DoG图像中的每个点取·个3×3×3的立方体,立方体上下层分别为第0层和第2层。这样,搜索得到的极值点既有位置坐标(该点所在图像的空间坐标),又有尺度空间坐标(该点所在层的尺度)。当第1层搜索完成后,再以第2层为当前层,其过程与第1层的搜索类似,以此类推。Scale图2DoG中极值点的搜索2、特征点的定位通过上一步,我们得到了极值点,但这些极值点还仅仅是候选的特征点,因为它们还存在一些不确定的因素。首先是极值点的搜索是在离散空间内进行的,并且这些离散空间还是经过不断的降采样得到的。如果把采样点拟合成由面后我们会发现,原先的极值点并不是真正的极值点,也就是离散空间的极值点并不是连续空间的极值点。在这里,我们是需要精确定位特征点的位置和尺度的,也就是要达到亚像素精度,因此必须进行拟合处。我们使用泰勒级数展开式作为拟合函数。如上所述,极值点是·个三维矢量,即它包括极值点所在的尺度,以及它的尺度图像坐标,即=(x,y,o),因此我们需要三维函数的泰勒级数展开式,设我们在=(x0,y,)处进行泰勒级数展开,则它的矩阵形式为:602f02f02fdxax day dao02f02f02faxdy ayay ayaallly-yol2f02f02fOrdo aydo dodo(15)公式15为舍去高阶项的形式,而它的矢量表示形式为f(X)=f(X0)+o￥(X-x0)+7(x-x0)a F(X-Xo(16)在这里表示离散空间卜的插值中心(在离散空问内也就是采样点)坐标,表示拟合后连续空间下的插值点坐标,设ⅹ=Ⅹ-Xn,则X表示相对于插值中心,插值后的偏移量。因此公式16绎过变量变换后,又可写成:f(x)=f(X0)+yX+XTⅩX20X2(17)对上式求导,得af (x a02f0ox ox+2 ax2+axa80f.02fXaxaX2(18)让公式17的导数为0,即公式18为0,就可得到极值点下的相对于插值中心的偏移量:aX2 ax(19)把公式19得到的极值点带入公式17中,就得到了该极值点下的极值Tf(X)=f(X0)+af02f10f)a2f/02f-1of2 8X2 0X/0X28X2dXf(X0)+H打×1ora2Ta2f-ra2fa2f-1 af2 dx dx2dx2dx2 dXa f02f-10f∫(X0)+dF×f7a22 ax ax2 axaflf(Xo)+xx+2 0X(-X)18Ff(X0)+2 aX(20)对于公式19所求得的偏移量如果大」0.5(只要x、y和σ任意一个量大于0.5),则表明插值点已偏移到了它的临近的插值中心,所以必须改变当前的位置,使其为它所偏移到的插值中心处,然后在新的位置上重新进行泰勒级数插值拟合,直到偏移量小于0.5为止(x、y和σ都小于0.5),这是一个迭代的工程。当然,为了避免无限次的迭代,我们还需要设置个最人迭代次数,在达到了迭代次数但仍然没有满足偏移量小于0.5的情况下,该极值点就要被剔除掉。另外,如果由公式20所得到的极值f(X过小,即f(X1,则Tr(H)2(a+β)2(+β)2(y+1)2Det(h)2(25)上式的结果只与两个特征值的比例有关,而与具体的特征值无关。我们知道,当某个像系的矩阵的两个特征值相差越大,即γ很大,则该像素越有可能是边缘。对于公式25,当两个特征值相等时,等式的值最小,随着γ的增加,等式的值也增加。所以,要想检查主曲率的比值是否小于某一阈值y,只要检査下式是否成立即可:Tr(H)(y+1)Det(h)(26)对于不满足上式的极值点就不是特征点,因此应该把它们剔除掉。Lowe给出γ为10在上面的运算中,需要用到有限差分法求偏导,在这里我们给出具体的公式。为方便起见我们以图像为例只给出二元函数的实例。与二元函数类似,三元函数的偏导可以很容易的得到设f(i,是ν轴为i、x轴为j的图像像素值,则在(j点处的一阶、二阶及二阶混合偏导af f(i, j+1)-f(i, j0ff(i+1,j)-f(-1,ax2h2h(27)ff(+1)+f(-1)-2f(,j)a2ff(+1,j+f(-1,j)-2f(i,j)hh(28)2ff(-1,j-1)+f(i+1,j+1)-f(i-1,+1)-f(i+1,-1)dx d(29)由丁在图像中,相邻像素之问的间隔都是1,所以这里的h3、方向角度的确定经过上面两个步骤,一幅图像的特征点就可以完全找到,而且这些特征点是具有尺度不变性。但为了实现旋转不变性,还需要为特征点分配一个方向角度,也就是需要根据检测到的特征点所在的高斯尺度图像的局部结构求得一个方向基准。该高斯尺度图像的尺度a是已知的,并且该尺度是相对于高斯金字塔所在组的基准层的尺度,也就是公式10所表示的尺度。而所谓局部结构指的是在高斯尺度图像中以特征点为中心,以r为半径的区域内计算所有像素梯度的幅角和幅值,半径r为(30)其中a就是上面提到的相对于所在组的基准层的高斯尺度图像的尺度。像素梯度的幅值和幅角的计算公式为:m(xy)=√(x+1,y)-L(x-1,y)2+(L(x,y+1),L(x,y-1)2(31)L(x,y+1)-L(x,y-1)o(x, y)=arctanL(x+1,y)-L(x-1,y)(32)因为在以〃为半径的区域内的像素梯度幅值对圆心处的特征点的贡献是不同的,因此还需要对幅值进行加权处理,这里采用的是高斯加权,该高斯函数的方差Cm为:Om=1.50(33)其中,公式中的σ也就是公式30中的σ在完成特征点邻域范围内的梯度计算后,还要应用梯度方向直方图来统计邻域內内像素的梯度方向所对应的幅值大小。具体的做法是,把360°分为36个柱,则每10°为一个柱,即0°~9为第1柱,10°~19为第2柱,以此类推。在以r为半径的区域内,把那些梯度方向在0~9°范围内的像索找出来,把它们的加权后的梯度嘔值相加在一起,作为第1柱的柱高;求第2柱以及其他柱的高度的方法相同,不再赘述。为了防止某个梯度方向角度因受到噪声的干扰而突变,我们还需要对梯度方向直方图进行平滑处理。 Opencv2.4.9所使用的平滑公式为:H()~h(-2)+h(+2)4×(h(-1)+h(+1)),6×h()i=0...15161616(34)其中h和H分别表示平滑前和平滑后的直方图。由于角度是循环的,即0°=360°,如果出现h(),j超出了(0,…,15)的范围,那么可以通过圆周循环的方法找到它所对应的、在0°~360°之间的值,如h(-1)-h(15)这样,直方图的主峰值,即最高的那个柱体所代表的方向就是该特征点处邻域范围内图像棁度的主方向,也就是该特征点的上方向。由于柱体所代表的角度只是一个范围,如第1柱的角度为0~9°,因此还需要对离散的梯度方向直方图进行插值拟合处理,以得到更精确的方向角度值。例如我们凵经得到了第i柱所代表的方向为特征点的主方向,则拟合公式为:H(i-1)-H(i+1)B=i+=0,…152×(H(-1)+H(i+1)-2×H()(35)O=360-10xB(36)其中,H为由公式34得到的直方图,角度6的单位是度。同样的,公式35和公式36也存在着公式34所遇到的角度问题,处理的方法同样还是利用角度的圆周循环。每个特征点除了必须分配一个主方向外,还可能有一个或更多个辅方冋同,增加辅方向的目的是为了增强图像匹配的鲁棒性。辅方向的定义是,当存在另个柱体高度大于主方向柱体高度的80%时,则该柱体所代表的方向角度就是该特征点的辅方向。在第2步中,我们实现∫用两个信息量来表小一个特征点,即位置和尺度。那么经过上面的计算,我们对特征点的表示形式又增加了个信息量一一方向,即(x,y,o,6)。如果某个特征点还有一个辅方向,则这个特征点就要用两个值来表示——(x,y,,B1)和(x,y,,02),其中O1表示主方向,O2表示辅方向,而其他的变量x,y,不变。4、特征点描述符生成
- 2020-06-25下载
- 积分：1
刘宝碇--随机规划与模糊规划（1998）
随机规划与模糊规划全本，是一本很好的参考用书序言在现实世界上,人们制定决策时经常会磁到两类不确定性现象:一是随机现象,一类是模糊现象。揹述、刻匦随机现象的量称为随机变量,而描述、刻画模糊现象的量称为模糊集。为了方便,我们不妨把二者分别称为随机参数和模糊参数。含有随机和模糊参数的数学规划分别称为随机规划和模糊规划。既然随机性和模糊性都是用来处理不确定性的,我们将随机规划和模糊规划统称为不确定规划。本书将为随机规划和模糊规划提供统一的原理,并为一般不确定环境下的优化理论打下基础在很多实际问题中,如管理、工程、经济、工业以及生态等领域,系统是一个广泛使用的概念,而一个复杂的决策系统通常具有多维性、多样性、多功能性和多准则性,并带有随机或模糊参数。对于随机规划间题中所出现的随机变量,出于不同的管理目的和技术要求,采用的方法自然也不同。第一类处理随机规划中随机变量的方法是所谓的期望值模型,即一种在期望值约束下使目标函数的概率期望达到最优的模型.第二类方法是 Charnes和 Cooper提出的机会约束规划,主要针对约束条件中含有随机变量,目必须在观测到随机变量的实现之前作出决策的情况。考虑到所作决策在不利情况发生时可能不满足约束条件,而采用一种原则:即允许所作决策在一定程度上不满足约束条件,但该决策应使约束条件成立的概率不小于某一置信术平α。第三类隨杋规划是相关机会规划,是使事件的机会函数在不确定环境下达到最优的方法,在确定性规划以及期望值模型和机会约束规划中随机规划与模糊规攴当对实际问题建模以后,可行集本质上是确定的,这就可能导致所给出的最优解在实际中无法执,而相关机会规划并不假定可行集是确定的。实际上相关机会规划的可行集被描述为所谓的不确定环境。虽然相关机会规划也给出一个确定的解,但这个解只是要求在安际问题中尽可能地执行。显然,相关机会规划的这特点与确定性规划、期苤值棋型和机会约束规划是截然不同的沿用随机环境中枕会约東规划的思想,在模榈环境中,假定模糊约東成立的可能性不小于置信水平α,这样就可以建立模糊机会约束规划、机会约束多目标规划和机会约束目标规划.类似地,沿用随机环境下相关机会规划的思想,亦有模糊相关机会规划、相关机会多目标规划和相关机会目标规划理论随着计算机的飞速发展和革新算法的不断涌现,许多复杂的优化问题已可以通过计算机求解。虽然目前计算机的能力还只能处理小规模的不确定规划模型,但是,我们坚信计算机的能力将会大幅度提高。这就为求解更加复杂的优化问题提供了一个契机它不仅表现在已有的复杂模型可以通过计算机求解,而且表现在我们可以提出更丰富的建模恿想。基于这一事实,本书采用全新的观点处理随机娜划和模糊规划,并且允许不确定规划中的目标函数和约束函数是非线性的,随机参数的密度函数或模糊参数的隶属函数可以有更灬般的形式,模型的结构可以更加复杂等等夲书为求解传统方法所不能解决的随机规划和模糊规划模型,设计了一系列基于随杌模拟或模糊模拟的遗传算法、虽然遗传算法有耗时多、速度慢等缺点,但对传统方法无法处理的问题,遗传算法是一种非常有效的方法,而且随着计算机速度的提高,实际间题将可以在合理的计算时间内得到解决本书共分12章。第1章主要介绍数学规划的基本概念,如线性规划、非线性规划、多目标规划、目标规划以及整数规划,同时也勾画出了随机规划私模糊规划的理论框架.第2章为求解优序言化问题,如单目标规划、多目标规划和目标规划,提供了一个遗传算法,并通过一些数值例子解释了遗传算法的有效性。第3章列举了生成随杌数的方法,并介绍模糊集合的一些基础理论,以及随机模拟和模粉模拟的技术。第4章给出了期望值模型的一些基本性质。第5章讨论了带有随机参数的机会约束规划。第召章给出一些机会约束规划模型的应用。第7章讨论了随机环境下的相关机会规划模型。第8章通过相关机会规划模型对随机决策系统进行了建模。第9章把随机机会约束规划推广到模糊机会约東规划。而第10章把随机相关机会规划推广到模糊相关机会约束规划.传统的数学规划模型提供的是使一些目标函数达到最优的清晰决策,然而,对实际问题,有讨应该提供的是模糊决策而不是清晰决策,所以第11章建立了带有模糊决策的模糊规划的理论构架。在第9章和第11章所讨论的模糊系统中的机会约束规划模型夲质上是一种 Maximax模型(乐观模型),即极大化可能达到的最大收益.与 Maximax模型的思想不同,第12章介绍了Mamx机会约束规划模型,其思想是极大化可能达到的最小收益本书可作为高等院校有关专业的高年级大学生和研充生的教材,也可作为运筹学、管理科学、计算机科学、系统科学、信息科学与工程等方面的学者和技术人员的参考书目录序第1章数学规划筒介11线性规划1.2非线性规划1.3多目标规划614目标规划81.5整数规划16不确定规划12第2章遮传算法优化间题22表示结构1823处理约束条件824初始化过程2评价函数202选择过程2227交叉操作2328变异操作429遗传算法程序242I0遍传算法与上升法25211数值例子26随机规划与模糊规划第3章随机棋拟和棋糊棋拟a了31随机数的产生3832随机模拟4733模糊集合理论5034模糊模拟57第4章期望值樸型644.1期望值算子652期望值模型6643凸性684.4补偿模型..、7(45基于随机模我的遗传算法46注73第5章机会约束划7生51机会约束规划模型5.2确定生等价类53—些性质8354随机模拟885.5基于随机模拟的遗传算法56注94第6章机会约束规划的应用0561生产过程0562饲料混合问题6.3随机资源分配986开放存储网络0165资金预算112月录11第7章相关机会规划L1771背景;供给-分配系统177.2随机集合1217.3不确定坏璄12474事件和机会函数1257.5相关机会规划..,,]2876相关机会多目称规划,,1307.7相关机会目标规划1337.8执行墩优解3679机会函数的随机模拟1377.10基于随机模拟的遗传算法138711注143第8章随机决簟系統媓模1448.1水资源供给一分配问题14482生产过程l5283开放存储网络15484资金预算15g第9章模糊机会约束规划16491机会约束规划模型1659.2清晰等价类.1689.3模糊模拟17394基于模糊模拟的遗传算法17595资金预算1796注183第10章模糊环境下的相关机会规划18410.1相关机会规划184随机规划与糢糊规划102相关机会多目标规划18610.3相关机会目标规划18810.4杌会函教的模糊模拟19110.5基于模糊模拟的遗传算法92106注197第11章带有模糊决策的模糊规划181.1模糊决策198112机会约束规划模型20(113相关机会规划模型20214模糊模拟1.5基于模糊模拟的遗传算法21211.6数值例于21617注222第12章 Minimax机会约束规划模型223121 Marina模型223122 Minimax模型227123 Minimax与Ma2x1卫ha22912.4模糊模拟232125数值例于23生126注238参考文献240些常用的符号251索引252第1章数学规划简介数学规划是运筹学的一个重要分支,并已被广泛地应用到很多领域数学规划可以描述为在一些数学关系诸奶等式或不等式表示的约束条件下,求一个(或一组)数的极值问题的方法.常見的数学规划有线性规划、非线性规划、多目标规划、目标规划整数规划、多层规划、动态规划以及本书重点讨论的随机规划和模糊规划等等本章里,介绍一些数学规划的基本概念和处理技术,为引入殖机规划和模糊规划打下基硼1.1线性规划作为优化领域最重要的工具之一,线性规划是用来处理在线性等式及不等式组的约束条件下求线性函数的极值问题的方法线性规划的标准形式可以写为maKC11千C22+…十Cun12:+媛122+…+a1nxn=竹1a211千22+…axn=b4m121+(m232+…+ammn=bm3≥D3=1,2
- 2020-12-07下载
- 积分：1
