10、图像特征提取与匹配算法介绍

图像特征提取与匹配算法介绍

1. 基于DoG和SIFT的特征提取与描述

在图像特征提取中，传统的角点检测方法（如使用 cornerHarris ）在检测角点方面表现出色，即使图像旋转，角点依然能够被检测到。然而，当改变图像的大小（缩小或放大）时，图像的某些部分可能会失去或获得角点特征。

例如，在F1意大利大奖赛赛道的角点检测中，较大尺寸的图像和较小尺寸的图像检测到的角点有所不同。在较大图像中，赛道特定弯道的入口和顶点都能被检测为角点，但在较小图像中，顶点可能无法被检测到，且随着图像不断缩小，弯道入口也可能丢失。

为了解决这个问题，我们需要一种不受图像尺度影响的算法，即尺度不变特征变换（SIFT）。SIFT本身并不直接检测关键点，而是通过差分高斯（DoG）来检测关键点，并通过特征向量描述关键点周围的区域。

1.1 差分高斯（DoG）简介

DoG是对同一图像应用不同高斯滤波器的结果。在图像边缘检测中，我们也使用过类似的技术。DoG操作的最终结果包含了感兴趣的区域（关键点），这些关键点将通过SIFT进行描述。

1.2 SIFT代码示例

以下是使用SIFT处理图像的代码：

import cv2
import sys
import numpy as np
imgpath = sys.argv[1]

img = cv2.imread(imgpath)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
sift = cv2.xfeatures2d.SIFT_create(