OpenCV2学习笔记（十二）：SURF与SIFT算法

当尝试在不同图像之间进行特征匹配时，通常会遇到图像的大小、方向等参数发生改变的问题，简而言之，就是尺度变化的问题。每幅图像在拍摄时与目标物体的距离是不同的，因此要识别的目标物体在图像中自然会存在不同的尺寸。

因此，计算机视觉中引入尺度不变的特征，主要的思想是每个检测到的特征点都伴随对应的尺度因子。著名的尺度不变特征检测器SIFT(scale invariant feature transform)，具有尺度，旋转，仿射，视角，光照不变性。而加速鲁棒特性特征SURF(Speeded Up Robust Features)算法是SIFT的高效变种。

关于SIFT和SURF的特征介绍，已经有很多的blog对其进行简介了，见参考的blog。由于还没有将2004年那篇原文精细看完，这里只是提供在OpenCV中如何实现这两种算法的特征检测。这里使用的开发平台是Qt5.3.2+OpenCV2.4.9。SURF、SIFT特征在OpenCV中的实现均使用了cv::FeatureDetector接口。在这里，特征点的计算基于浮点核，因此这两种算法相比其他算法在空间和尺度检测上更加精确，但相对耗时。

至于理论部分有待更新。

一、SIFT特征

直接在Qt中创建一个控制台项目，在main函数中添加：

#include <QCoreApplication>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/nonfree/nonfree.hpp>

#include <QDebug>

int main(int argc, char *argv[])
{
    QCoreApplication a(argc, argv);

    // 读入图像
    cv::Mat image= cv::imread("c:/018.jpg",0);
    cv::namedWindow("Original Image");
    cv::imshow("Original Image", image);
    // 特征点的向量
    std::vector<cv::KeyPoint>keypoints;
        // 构造SIFT特征检测器
    cv::SiftFeatureDetector sift(
        0.03,  // 特征的阈值
        10.);  // 用于降低

    // 检测SIFT特征值
    sift.detect(image,keypoints);

    cv::drawKeypoints(image, // 原始图像
                      keypoints, // 特征点的向量
                      featureImage, // 生成图像
                      cv::Scalar(255,255,255), // 特征点的颜色
                      cv::DrawMatchesFlags::DRAW_RICH_KEYPOINTS); // 标志位

    cv::namedWindow("SIFT Features");
    cv::imshow("SIFT Features",featureImage);

    return a.exec();
}

效果如下，在函数cv::drawKeypoints中我们使用cv::DrawMatchesFlags::DRAW_RICH_KEYPOINTS作为标志位，这样唉使用DRAW_RICH_KEYPOINTS之后每个关键点上圆圈的尺寸与特征的尺度成正比：

二、SURF特征

#include <QCoreApplication>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <opencv2/nonfree/nonfree.hpp>

#include <QDebug>

int main(int argc, char *argv[])
{
    QCoreApplication a(argc, argv);

    // 读入图像
    cv::Mat image= cv::imread("c:/018.jpg",0);
    cv::namedWindow("Original Image");
    cv::imshow("Original Image", image);
    // 特征点的向量
    std::vector<cv::KeyPoint>keypoints;

    // 构造SURF特征检测器
    cv::SurfFeatureDetector surf(2500);
    // 检测SURF特征
    surf.detect(image,keypoints);

    cv::Mat featureImage;
    cv::drawKeypoints(image, // 原始图像
                      keypoints, // 特征点的向量
                      featureImage, // 生成图像
                      cv::Scalar(255,255,255), // 特征点的颜色
                      cv::DrawMatchesFlags::DRAW_RICH_KEYPOINTS); // 标志位

    cv::namedWindow("SURF Features");
    cv::imshow("SURF Features",featureImage);

    return a.exec();
}

效果：

相比SIFT特征，SURF牺牲了一定的精度换取了计算效率的提高。关于这两种算法的理论部分有待进一步的探讨和更新…

参考blog:

http://blog.csdn.net/xiaowei_cqu/article/details/8069548

http://www.cnblogs.com/tornadomeet/archive/2012/08/16/2643168.html