第十二节、尺度不变特征(SIFT)

标签：window   nts   解决   point   优化   flag   部分   海量   read   

上一节中,我们介绍了Harris特征用于检测，角点在图像旋转的情况下也可以检测到，但是如果减小(或者增加)图像的大小，可能会丢失图像的某些部分，甚至有可能增加角点的数量。这样的损失现象需要一种与图像比例无关的角点检测方法来解决。尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)可以解决这个问题。我们需要一个函数(或变换)来检测特征(或进行特征变换)，并且该函数会对不同的图像尺度(尺度不变特征变换)输出相同的结果。需要注意的是，SIFT并不检测关键点(关键点可以由Different of Gaussians检测)，但是SIFT会通过一个特征向量来描述关键点周围区域的情况。

SIFT具有一下特征：

• 图像的局部特征，对旋转、尺度缩放、亮度变化等保持不变性，对视角变换、仿射变化、噪声也保持一定程度的稳定性；
• 独特性好，信息量丰富，适用于海量特征库进行快速、准确的匹配；
• 多量性，即使是很少几个物体也可以产生大量的SIFT特征；
• 高速性，经优化的SIFT匹配算法甚至可以达到实时性；
• 扩展性，可以很方妙的与其他的特征想了进行联合。

一 使用DoG和SIFT进行特征提取和描述

我们先用OpenCV库函数演示一下DoG和SIFT特征提取的效果,然后再来讲述一下SIFT的原理。

我们先来介绍一下Different of Gaussians(DoG)，DoG是对同一图象使用不同高斯滤波器所得到的结果。DoG操作的最终结果会得到感兴趣的区域(关键点)，这将通过SIFT来进行说明。

我们来看看如何通过SIFT得到充满角点和特征的图像：

‘‘‘
SIFT特征
‘‘‘
import cv2
import numpy as np

img = cv2.imread(‘./image/cali.bmp‘)
img = cv2.resize(img,dsize=(600,400))
#转换为灰度图像
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#创建一个SIFT对象
sift = cv2.xfeatures2d.SIFT_create()
#SIFT对象会使用DoG检测关键点，并且对每个关键点周围的区域计算特征向量。该函数返回关键点的信息和描述符
keypoints,descriptor = sift.detectAndCompute(gray,None)
#在图像上绘制关键点
img = cv2.drawKeypoints(image=img,outImage=img,keypoints = keypoints,flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS,color=(51,163,236))
#显示图像
cv2.imshow(‘sift_keypoints‘,img)
cv2.waitKey(0)
cv2.destroyAllWindows()

二 SIFT算法原理

1、SIFT特征检测的步骤

• 尺度空间的极值检测 搜索所有尺度空间上的图像，通过高斯微分函数来识别潜在的对尺度和选择不变的兴趣点。
• 特征点定位 在每个候选的位置上，通过一个拟合精细模型来确定位置尺度，关键点的选取依据他们的稳定程度。
• 特征方向赋值 基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向，后续的所有操作都是对于关键点的方向、尺度和位置进行变换，从而提供这些特征的不变性。
• 特征点描述 在每个特征点周围的邻域内，在选定的尺度上测量图像的局部梯度，这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变换。

2、尺度空间

参考文摘：

SIFT特征详解

第十二节、尺度不变特征(SIFT)

标签：window   nts   解决   point   优化   flag   部分   海量   read   

原文地址：https://www.cnblogs.com/zyly/p/9519011.html