如何比較SIFT，SURF，Harris-SIFT圖像匹配算法性能

　SIFT匹配（Scale-invariant feature transform，尺度不變特征轉換)是壹種電腦視覺的算法用來偵測與描述影像中的局部性特征，它在空間尺度中尋找極值點，並提取出其位置、尺度、旋轉不變量，此算法由 David Lowe 在1999年所發表，2004年完善總結。其應用範圍包含物體辨識、機器人地圖感知與導航、影像縫合、3D模型建立、手勢辨識、影像追蹤和動作比對。

局部影像特征的描述與偵測可以幫助辨識物體，SIFT 特征是基於物體上的壹些局部外觀的興趣點而與影像的大小和旋轉無關。對於光線、噪聲、些微視角改變的容忍度也相當高。基於這些特性，它們是高度顯著而且相對容易擷取，在母數龐大的特征數據庫中，很容易辨識物體而且鮮有誤認。使用 SIFT特征描述對於部分物體遮蔽的偵測率也相當高，甚至只需要3個以上的SIFT物體特征就足以計算出位置與方位。在現今的電腦硬件速度下和小型的特征數據庫條件下，辨識速度可接近即時運算。SIFT特征的信息量大，適合在海量數據庫中快速準確匹配。

2、SIFT特征的主要特點

從理論上說，SIFT是壹種相似不變量，即對圖像尺度變化和旋轉是不變量。然而，由於構造SIFT特征時，在很多細節上進行了特殊處理，使得SIFT對圖像的復雜變形和光照變化具有了較強的適應性，同時運算速度比較快，定位精度比較高。如：

在多尺度空間采用DOG算子檢測關鍵點，相比傳統的基於LOG算子的檢測方法，運算速度大大加快；

關鍵點的精確定位不僅提高了精度，而且大大提高了關鍵點的穩定性；

在構造描述子時，以子區域的統計特性，而不是以單個像素作為研究對象，提高了對圖像局部變形的適應能力；

上一篇:壹個電腦編程“數制轉換”？

下一篇:solidworks鈑金折彎系數表