理想的局部特征描述子应该具备高的判别性(distinctiveness)和鲁棒性(robustness)。判别性是指描述子在特征点附近局部区域结构发生变化时，具有捕获和反映这一变化的能力；鲁棒性指的是描述子能够在图像在各种条件下(如发生旋转、尺度、仿射变换和噪声干扰)，具有稳定工作的能力。众多的局部特征描述子中，SIFT性能优越，全面地描述了图像的局部特征，且对图像的尺度变换、旋转、光照变化和尺度变换都具有很好的鲁棒性。构建SIFT特征描述子的流程如图3-29所示，具体描述如下:
图3-28 基于LBP特征的遥感图像检索结果
(1)构建高斯金字塔。首先对原始图像进行高斯模糊，使得图像更加平滑；然后进行降采样，得到一个从下到上图像尺寸不断缩小的高斯金字塔。
(2)特征点检测。在高斯金字塔的每一层(即每个尺度空间)的图像上检测极值点；然后通过尺度空间DoG函数进行曲线拟合，过滤掉不稳定的边缘响应点和低对比度的点，剩下的极值点即为特征点。
(3)特征点方向赋值。检测出特征点之后，需要确定特征点的主方向。首先对特征点邻域内的像素点计算梯度幅值和方向，生成直方图。直方图的峰值对应的方向即为特征点的主方向，通过特征点方向赋值可以使SIFT特征点满足旋转不变性。
(4)生成特征描述子。首先旋转校正特征点的主方向；然后在每个特征点周围4×4的邻域计算8个方向的梯度直方图，形成一个128维的特征向量。为消除光照的影响，对特征向量的长度进行归一化处理，生成最终的特征描述子。(www.xing528.com)
图3-29 构建SIFT特征描述子的流程
为了进一步提高特征提取效率，Bay等人(2006)在SIFT基础上提出快速算法SUFT。SIFT特征描述子在生成特征向量的时候使用的是高斯图像，而SUFT特征描述子使用的是积分图像，以充分利用在特征点检测时形成的中间结果(积分图像)，避免在特征向量生成时对图像进行重复运算。其它SIFT基础上发展而来的描述子包括PCA-SIFT、DenseSIFT等。
图3-30给出4组基于SIFT特征的遥感图像检索结果。以UCMD数据集为例，分别选取十字路口(intersection)、中型住宅区(medium residential)、高速路(runway)和港口(harbor)作为查询类别。红色框表示错误检索类别，并在其下注明所属类别。可以看出，SIFT在遥感图像局部特征表达方面的优势；但是也反映出SIFT作为人工设计特征描述，在解决类间相似性时存在局限性。
图3-30 基于SIFT特征的遥感图像检索结果
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
