图像特征-sift(scale invariant feature transform)

最新推荐文章于 2024-07-11 21:36:10 发布

lllliliha

最新推荐文章于 2024-07-11 21:36:10 发布

阅读量1k

点赞数

CC 4.0 BY-SA版权

文章标签：计算机视觉图像处理人工智能

本文链接：https://blog.youkuaiyun.com/qq_46041403/article/details/125880949

本文探讨了如何通过高斯差分金字塔实现尺度空间的概念，重点介绍了关键点的DOGM空间极值检测，以及SIFT算法中的特征点定位、方向计算和描述子生成。通过实例演示了OpenCV中SIFT函数的使用，展示了在图像处理中寻找和提取稳定特征的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

图像尺寸空间

在一定的范围内，无论物体是大还是小，人眼都可以分辨出来，然而计算机要有相同的能力却很难，所以要让机器能够对物体在不同尺度下有一个统一的认识，就需要考虑图像在不同的尺度下都存在的特点。

尺度空间的获得一般通过高斯模糊来实现

的不同的高斯函数决定了对图像的平滑程度，越大的值对应图像越模糊.

为方差-表示变化程度多分辨金字塔

多分辨金字塔

高斯差分金字塔(DOG)

DOG空间极值检测

为了寻找尺度空间的极值点，每个像素点要和其图像域(同一尺度空间)和尺度域(相邻的尺度空间)的所有相邻点进行比较，当期大于(或者小于)所有相邻点时，该点就是极值点。如下图所示，中间的检测点要和其所在图像的3*3邻域8个像素点，以及其相邻的上下两层的3*3邻域18个像素点，共26个像素点进行比较。

第一层和最后一层不能作比较

关键点的精确定位

这些候选关键点是DOG空间的局部极值点,而且这些极值点均为离散的点,精确定位极值点的一种方法是:对尺度空间DOG函数进行曲线拟合,计算其极值点,从而实现关键点的精确定位.

消除边界响应

特征点的主方向

每个特征点可以得到三个信息，即位置、尺度和方向.具有多个方向的关键点可以被复制成多份,然后方向值分别赋给复制后的特征点，一个特征点就产生多个坐标、尺度等，但方向不同的特征点。

生成特征描述

在完成关键点的梯度计算后，使用直方图统计领域内像素的梯度和方向。

为了保证特征矢量的旋转不变性，要以特征点为中心，在领域内将坐标轴旋转 $\theta$ 角度，即将坐标轴旋转为特征点的主方向。

旋转之后的主方向为中心取8*8的窗口，求每个像素的梯度幅值和方向，箭头方向代表梯度方向，长度代表梯度幅值，然后利用高斯窗口对其进行加权运算，最后在每个4*4的小块上绘制8个方向的梯度直方图，计算每个梯度方向的累加值，即可形成一份种子点，即每个特征的由4个种子点组成，每个种子点有8个方向的向量信息。

特征向量生成

opencv中sift函数的使用

代码如下:

import cv2
import numpy as np


def cv_show(name, img):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

img = cv2.imread('E:/anaconda3/picture/test_1.jpg')   #读取图片
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)    #灰度图
cv_show('gray',gray)

#得到特征点
sift = cv2.xfeatures2d.SIFT_create()
kp = sift.detect(gray,None)   #关键点kp

img = cv2.drawKeypoints(gray,kp,img)    #绘制出关键点

cv2.imshow('drawKeypoints', img)
cv2.waitKey()
cv2.destroyAllWindows()

# 计算特征
kp, des = sift.compute(gray, kp)     #传入关键点是什么
print(np.array(kp).shape)
print(des.shape)      #每个关键点的维度
print(des[0])

输出结果: