SIFT描述子

最新推荐文章于 2023-04-13 17:57:11 发布

章安锭

最新推荐文章于 2023-04-13 17:57:11 发布

阅读量1.1k

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/weixin_44520049/article/details/104745294

本文介绍了SIFT描述子，包括其尺度不变性、算法实现步骤以及能解决的问题。实验部分展示了SIFT特征匹配过程，并讨论了在匹配地理标记图像中的应用。此外，文章深入探讨了RANSAC算法在筛选SIFT特征匹配中的作用，解释了其工作原理和流程，通过实验分析证明了RANSAC能有效剔除误匹配点。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1 SIFT描述子

1.1SIFT描述子简介

SIFT，即尺度不变特征变换（Scale-invariant feature transform，SIFT），是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。

1.2 SIFT算法实现步骤简述

在这里插入图片描述
SIFT算法实现特征匹配主要有三个流程，1、提取关键点；2、对关键点附加详细的信息（局部特征），即描述符；3、通过特征点（附带上特征向量的关键点）的两两比较找出相互匹配的若干对特征点，建立景物间的对应关系。

1.3 SIFT算法可以解决的问题

1 目标的旋转、缩放、平移（RST）
2 图像仿射/投影变换（视点viewpoint）
3 弱光照影响（illumination）
4 部分目标遮挡（occlusion）
5 杂物场景（clutter）
6 噪声

2 实验

2.1 图片的SIFT特征提取，并展示特征点

# -*- coding: utf-8 -*-
from PIL import Image
from pylab import *
from PCV.localdescriptors import sift
from PCV.localdescriptors import harris

# 添加中文字体支持
from matplotlib.font_manager import FontProperties
font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)

imname = 'D:/Study/untitled/21.jpg'
im = array(Image.open(imname).convert('L'))
sift.process_image(imname, 'empire.sift')
l1, d1 = sift.read_features_from_file('empire.sift')

figure()
gray()
subplot(131)
sift.plot_features(im, l1, circle=False)
title(u'SIFT特征',fontproperties=font)
subplot(132)
sift.plot_features(im, l1, circle=True)
title(u'用圆圈表示SIFT特征尺度',fontproperties=font)

# 检测harris角点
harrisim = harris.compute_harris_response(im)

subplot(133)
filtered_coords = harris.get_harris_points(harrisim, 6, 0.1)
imshow(im)
plot([p[1] for p in filtered_coords], [p[0] for p in filtered_coords], '*')
axis('off')
title(u'Harris角点',fontproperties=font)

show()

在这里插入图片描述

## 2.2 给定两张图片，计算其SIFT特征匹配结果

from PIL import Image
from pylab import *
import sys
from PCV.localdescriptors import sift


if len(sys.argv) >= 3:
  im1f, im2f = sys.argv[1], sys.argv[2]
else:
#  im1f = '../data/sf_view1.jpg'
#  im2f = '../data/sf_view2.jpg'
  im1f = 'D:/Study/untitled/22.jpg'
  im2f = 'D:/Study/untitled/24.jpg'
#  im1f = '../data/climbing_1_small.jpg'
#  im2f = '../data/climbing_2_small.jpg'
im1 = array(Image.open(im1f))
im2 = array(Image.open(im2f))

sift.process_image(im1f, 'out_sift_1.txt')
l1, d1 = sift.read_features_from_file('out_sift_1.txt')
figure()
gray()
subplot(121)
sift.plot_features(im1, l1, circle=False)

sift.process_image(im2f, 'out_sift_2.txt')
l2, d2 = sift.read_features_from_file('out_sift_2.txt')
subplot(122)
sift.plot_features(im2, l2, circle=False)

#matches = sift.match(d1, d2)
matches = sift.match_twosided(d1, d2)
print '{} matches'.format(len(matches.nonzero()[0]))

figure()
gray()
sift.plot_matches(im1, im2, l1, l2, matches, show_below=True)
show()

在这里插入图片描述
2.3 给定一张输入的图片，在数据集内部进行检索，输出与其匹配最多的图片

from PIL import Image
from pylab import *
from PCV.localdescriptors import sift
import matplotlib.pyplot as plt # plt 用于显示图片


im1f = 'E:/picture/02/new/1.png'
im1 = array(Image.open(im1f))
sift.process_image(im1f, 'out_sift_1.txt')
l1, d1 = sift.read_features_from_file('out_sift_1.txt')

arr=[]#单维链表数组
arrHash = {
   
   }#字典型数组
for i in range(2,7):
    im2f = 'E:/picture/02/new/'+str(i)+'.png'
    im2 = array(Image.open(im2f))
    sift.process_image(im2f,