MATLAB实现GLOH算法的尺度与仿射不变兴趣点检测系统

资 源 简 介

本项目基于Mikolajczyk（2004）提出的Gradient Location-Orientation Histogram（GLOH）算法，利用MATLAB实现高效的尺度与仿射不变兴趣点检测与特征提取，适用于图像匹配和目标识别任务。

详 情 说 明

基于GLOH算法的尺度与仿射不变兴趣点检测系统

项目介绍

本项目基于Mikolajczyk等人（2004）提出的Gradient Location-Orientation Histogram（GLOH）算法，实现了一个具有尺度和仿射不变性的兴趣点检测系统。系统通过在尺度空间中检测稳定的关键点，并利用极坐标分块统计梯度方向信息生成高区分度的描述符。通过主成分分析（PCA）对描述符进行降维优化，显著提升了对图像旋转、缩放及仿射变换的鲁棒性，适用于图像匹配、目标识别等计算机视觉任务。

功能特性

• 多尺度关键点检测：构建高斯差分金字塔，检测尺度空间中的极值点作为候选关键点
• 仿射自适应区域提取：根据关键点的尺度与主方向自适应确定描述符提取区域
• GLOH描述符生成：采用极坐标网格分块，统计各区域的梯度方向直方图
• PCA降维优化：对原始高维描述符进行主成分分析，生成紧凑的128维特征向量
• 可视化输出：支持在原图上标注检测到的兴趣点，直观展示检测结果

使用方法

1. 输入图像：准备单张或多张灰度图像（支持JPEG/PNG/BMP格式，矩阵大小为H×W）
2. 参数设置（可选）：

- 尺度空间层数：控制尺度空间的分层数量 - 高斯方差阈值：用于关键点稳定性筛选 - 关键点筛选比例：保留最显著的关键点比例

1. 运行检测：执行主程序开始兴趣点检测与描述符提取
2. 输出结果：

- 兴趣点坐标（N×2矩阵，记录关键点的x,y位置） - GLOH描述符（N×128维矩阵，PCA降维后的特征向量） - 可视化结果图（标注兴趣点位置的图像）

系统要求

• MATLAB R2018a或更高版本
• Image Processing Toolbox
• Statistics and Machine Learning Toolbox（用于PCA功能）
• 内存：至少4GB RAM（建议8GB以上用于处理高分辨率图像）

文件说明

主程序文件整合了系统的完整处理流程，包括图像读取与预处理、尺度空间构建与关键点定位、仿射自适应区域计算、极坐标分块梯度统计与描述符生成、主成分分析降维优化、结果可视化与数据输出等核心功能模块，实现了从输入图像到最终特征描述的一站式处理。