SIFT

最新推荐文章于 2025-06-03 23:00:44 发布
原创 最新推荐文章于 2025-06-03 23:00:44 发布 · 378 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

收藏的博客   http://blog.youkuaiyun.com/zhaocj/article/details/42124473  


#include "stdafx.h"
#include "opencv2/core/core.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp" 
#include "opencv2/features2d/features2d.hpp"          //flannBaseMatcher 定义，
#include "opencv2/flann/flann.hpp"                   //要使用flannBaseMatcher，需要再添加"opencv2/flann/flann.hpp" 才能使用，否则报错
#include "opencv2/nonfree/features2d.hpp"            // SIFT SURF 定义     xxFeaturedetector xxDescriptorExtractor 定义
#include "opencv2/legacy/legacy.hpp"                //BruteForceMatcher 定义
#include <stdio.h>
#include <iostream>
#include <string>
#include <fstream>

#ifdef _DEBUG
#pragma comment(lib,"lib/opencv_core2411d.lib")
#pragma comment(lib,"lib/opencv_highgui2411d.lib")
#pragma comment(lib,"lib/opencv_imgproc2411d.lib")
#pragma comment(lib,"lib/opencv_features2d2411d.lib")
#pragma comment(lib,"lib/opencv_flann2411d.lib")
#pragma comment(lib,"lib/opencv_legacy2411d.lib")
#pragma comment(lib,"lib/opencv_nonfree2411d.lib")
#else
#pragma comment(lib,"lib/opencv_core2411.lib")
#pragma comment(lib,"lib/opencv_highgui2411.lib")
#pragma comment(lib,"lib/opencv_imgproc2411.lib")
#pragma comment(lib,"lib/opencv_features2d2411.lib")
#pragma comment(lib,"lib/opencv_flann2411.lib")
#pragma comment(lib,"lib/opencv_legacy2411.lib")
#pragma comment(lib,"lib/opencv_nonfree2411.lib")
#endif
using namespace cv;
using namespace std;

/******************************************
     加载手机图片，图片尺寸原因会导致报错
*********************************************/

int means1()
{
	Mat img1 = imread("image_0001.jpg", 1);
	Mat img2 = imread("image_0001.jpg", 1);

	SIFT sift;                                                      //实例化SIFT类SIFT. 想检测20个特征点 sift(20);

	vector<KeyPoint> key_points1;                                      //特征点 
	Mat descriptors1, mascara;                                        // descriptors为描述符，mascara为掩码矩阵
	sift(img1, mascara,key_points1,descriptors1);                        //执行SIFT运算
	
	Mat output_img1;                                                 //输出图像矩阵 	
    drawKeypoints(img1,                                               //输入图像  
		key_points1,                                                 //特征点矢量  
		output_img1,                                                 //输出图像  
		//Scalar::all(-1),                                                 //绘制特征点的颜色，为随机
	    Scalar(0,0,255),                                           
	    DrawMatchesFlags::DRAW_RICH_KEYPOINTS);                         //以特征点为中心画圆，圆的半径表示特征点的大小，直线表示特征点的方向  

	vector<KeyPoint> key_points2;                                       
	Mat descriptors2;
	sift(img2, mascara, key_points2, descriptors2);
	
	Mat output_img2;
	drawKeypoints(
		img2,
		key_points2,
		output_img2,
		//Scalar::all(-1),                                                
		Scalar(0, 0, 255),
		DrawMatchesFlags::DRAW_RICH_KEYPOINTS);


	//BruteForceMatcher<L2<float>> matcher;                                  //实例化暴力匹配器——BruteForceMatcher ,二者的区别在于BFMatcher总是尝试所有可能的匹配，从而使得它总能够找到最佳匹配，这也是Brute Force（暴力法）的原始含义。	                                                               
	FlannBasedMatcher  matcher;                                         //而FlannBasedMatcher中FLANN的含义是Fast Library forApproximate Nearest Neighbors，
	                                                                 //从字面意思可知它是一种近似法，算法更快但是找到的是最近邻近似匹配，所以当我们需要找到一个相对好的匹配但是不需要最佳匹配的时候往往使用FlannBasedMatcher。
	                                                                
	vector<DMatch>matches;                                              //定义匹配器算子  
	matcher.match(descriptors1, descriptors2, matches);                   //实现描述符之间的匹配，得到算子matches  

	std::nth_element(                                                  //提取出前100个最佳匹配结果  
		matches.begin(),                                               //匹配器算子的初始位置  
		matches.begin() + 99,                                          // 排序的数量  
		matches.end());                                                // 结束位置                                                                 
	matches.erase(matches.begin() + 100, matches.end());                   //剔除掉其余的匹配结果  

	Mat img_matches;
	drawMatches(                                                      //在输出图像中绘制匹配结果  
		img1, key_points1,                                             //第一幅图像和它的特征点  
		img2, key_points2,                                             //第二幅图像和它的特征点  
		matches,                                                      //匹配器算子  
		img_matches,                                                  //匹配输出图像  
		Scalar(255, 0, 0));                                            //用直线连接两幅图像中的特征点  
	
	//namedWindow("SIFT_matches");
	//imshow("SIFT_matches", img_matches);

	return 0;
}


int means2()
{
	Mat img1 = imread("image_0001.jpg", 1);
	Mat img2 = imread("image_0001.jpg", 1);

	SiftFeatureDetector detector;                                      //构造检测器
	
	vector<KeyPoint> key_points1;                                      //特征点
	detector.detect(img1, key_points1);                                //检测特征

	Mat output_img1;                                                 //输出图像矩阵 	
	drawKeypoints(
		img1,                                                        //输入图像  
		key_points1,                                                 //特征点矢量  
		output_img1,                                                 //输出图像  
		//Scalar::all(-1),                                                 //绘制特征点的颜色，为随机
		Scalar(0, 0, 255),
		DrawMatchesFlags::DRAW_RICH_KEYPOINTS);                         //以特征点为中心画圆，圆的半径表示特征点的大小，直线表示特征点的方向  

	SiftDescriptorExtractor extractor;                                 //特征描述提取器

	Mat descriptors1;
	extractor.compute(img1, key_points1, descriptors1);                   //提取特征描述子

	vector<KeyPoint> key_points2;
	detector.detect(img2, key_points2);
	
	Mat output_img2;                                                 	
	drawKeypoints(
		img2,                                                         
		key_points2,                                                
		output_img2,                                                   
		//Scalar::all(-1),                                                
		Scalar(0, 0, 255),
		DrawMatchesFlags::DRAW_RICH_KEYPOINTS);                         

	Mat descriptors2;
	extractor.compute(img2, key_points2, descriptors2);


	//BruteForceMatcher<L2<float>> matcher;                                  //实例化暴力匹配器——BruteForceMatcher ,二者的区别在于BFMatcher总是尝试所有可能的匹配，从而使得它总能够找到最佳匹配，这也是Brute Force（暴力法）的原始含义。	                                                               
	FlannBasedMatcher  matcher;                                         //而FlannBasedMatcher中FLANN的含义是Fast Library forApproximate Nearest Neighbors，
	                                                                 //从字面意思可知它是一种近似法，算法更快但是找到的是最近邻近似匹配，所以当我们需要找到一个相对好的匹配但是不需要最佳匹配的时候往往使用FlannBasedMatcher。
	vector<DMatch>matches;                                              //定义匹配器算子  
	matcher.match(descriptors1, descriptors2, matches);                   //实现描述符之间的匹配，得到算子matches  

	std::nth_element(                                                  //提取出前100个最佳匹配结果  
		matches.begin(),                                               //匹配器算子的初始位置  
		matches.begin() + 99,                                          // 排序的数量  
		matches.end());                                                // 结束位置                                                                 
	matches.erase(matches.begin() + 100, matches.end());                   //剔除掉其余的匹配结果  

	Mat img_matches;
	drawMatches(                                                      //在输出图像中绘制匹配结果  
		img1, key_points1,                                             //第一幅图像和它的特征点  
		img2, key_points2,                                             //第二幅图像和它的特征点  
		matches,                                                      //匹配器算子  
		img_matches,                                                  //匹配输出图像  
		Scalar(255, 0, 0));                                            //用直线连接两幅图像中的特征点  

	//namedWindow("SIFT_matches");
	//imshow("SIFT_matches", img_matches);

	return 0;
}


int main(int argc, char** argv)
{
	means1();
	return 0;
}


xiaobenben_
关注
计算机视觉图像特征提取入门：Harris角点与SIFT算法
优快云博客专家，系统架构师，有合作、疑惑请私信博主。
04-11 14万+
计算机视觉图像特征提取入门：Harris角点与SIFT算法，在计算机视觉领域，图像特征提取是一项至关重要的基础任务。它旨在从图像中提取具有代表性和独特性的信息，这些信息能够帮助计算机理解图像内容，为后续的目标识别、图像匹配、图像分割等高级任务提供有力支持。Harris 角点和 SIFT（尺度不变特征变换）算法作为经典的图像特征提取方法，在学术界和工业界都得到了广泛应用。Harris 角点能够有效地检测出图像中的角点特征，这些角点往往是图像中物体形状的关键转折点，蕴含着丰富的结构信息。
SIFT算法详解
zddhub的专栏
04-28 57万+
尺度不变特征变换匹配算法详解 Scale Invariant Feature Transform(SIFT) Just For Fun zdd  zddmail@gmail.com 对于初学者，从David G.Lowe的论文到实现，有许多鸿沟，本文帮你跨越。 1、SIFT综述 尺度不变特征转换(Scale-invariant feature transform或SIFT)
SIFT特征提取分析
热门推荐
Rachel Zhang的专栏
06-06 63万+
SIFT（Scale-invariant feature transform）是一种检测局部特征的算法，该算法通过求一幅图中的特征点（interest points,or corner points）及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配，获得了良好效果，详细解析如下：算法描述SIFT特征不只具有尺度不变性，即使改变旋转角度，图像亮度或拍摄视角，仍然能
SIFT算法详细原理与应用
最新发布
weixin_45556264的博客
06-03 1411
SIFT，全称为 Scale-Invariant Feature Transform（尺度不变特征变换），是一种用于图像特征检测和描述的经典算法。它通过提取图像中的局部关键点，并为每个关键点生成具有尺度和旋转不变性的描述子，使其能够在不同的图像中进行特征匹配。SIFT 算法尤其适合处理视角变化、尺度变换、部分遮挡和光照变化的问题，因此被广泛应用于计算机视觉领域。
CUDA-使用CUDA加速实现SIFT算法-附项目源码.zip
05-23
SIFT（尺度不变特征变换）算法是一种广泛用于图像处理和计算机视觉中的特征检测算法，它能有效地提取图像的局部特征，对尺度、旋转和光照变化具有很好的不变性。 CUDA的引入为SIFT算法提供了加速的可能性，因为GPU...
MATLAB实现SIFT特征提取算法
05-08
SIFT（尺度不变特征变换）是一种强大的图像处理算法，用于在不同尺度和旋转下识别图像中的关键点。MATLAB作为一种广泛使用的数值计算和数据分析环境，是实现SIFT算法的理想平台，因为它提供了丰富的图像处理工具箱。...
西电zelianwen的配准代码(含SAR-SIFT)_SARSIFT_SAR-SIFT_sift配准_包含SAR-SIFT算法
05-19
本文将详细解析标题为"西电zelianwen的配准代码(含SAR-SIFT)_SARSIFT_SAR-SIFT_sift配准_包含SAR-SIFT算法"的资源，它包含了SIFT（尺度不变特征变换）和SAR-SIFT（合成孔径雷达-SIFT）等配准算法的实现。这些算法在...
PSO-SIFT-matlab-V1.0_pso-sift_matlab_siftpso_
10-03
**PSO-SIFT-matlab-V1.0**: 这个压缩包文件包含了一套基于MATLAB实现的PSO-SIFT算法源代码，版本为V1.0。PSO（粒子群优化）与SIFT（尺度不变特征变换）是两种在计算机视觉和图像处理领域广泛应用的技术，它们结合在...
SIFT(Matlab)
11-14
Harris Corner Detector SIFT Feature 的Matlab源代码
sift
qq_42943684的博客
03-26 253
SIFT SIFT的步骤 DOG层构造。 局部极值点检测（包括各种删除）。 特征点的梯度方向以及幅度的分配。 描述子（点特征）的提取。 2.尺度空间的极值检测和关键点位置确定：对DoG金字塔中的每一层，进行尺度空间的极值检测（极大值和极小值），把每一个极值点作为候选点，在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。 3.关键点方向确定：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。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进
【图像处理】SIFT（Scale Invariant Feature Transform）
haru_x的博客
04-19 1007
图像处理中传统的手工构造特征方法SIFT原理介绍
SIFT（尺度不变特征变换）
Dr.Monster小站
07-09 1547
4. 将第1组倒数第三层图像作比例因子为2的降采样（尺寸减半），得到的图像作为第2组的第1层，然后对第2组的第1层图像做平滑因子为σ的高斯平滑，得到第2组的第2层，就像步骤2中一样，如此得到第2组的L层图像，同组内它们的尺寸是一样的，对应的平滑系数分别为：0，σ，kσ，k^2σ,k^3σ……举个栗子：你拍了一张美女照，看到的肯定是整体，然后在你细看的时候，化身成了列文虎克，发现了华点，那么这个时候，你运用你灵巧的双指，放大了图片，华点的细节展现无遗，你发现了新大陆，然后默默打开了浏览器，接着一套连招。
SIFT（尺度不变特征变换）算法
Exception_3212536934的博客
05-15 3388
下图中的金字塔分为好几组，最下面一组是用不同大小的高斯核对原图像进行卷积操作得到的一组图片，倒数第二组的图片是对刚才的第一组的第三层的图片进行降采样，降采样后图片尺寸缩小了，缩小后再用不同尺度的高斯核进行卷积操作，然后得到图中倒数第二组的一组图片。图像金字塔是一种以多分辨率来解释图像的结构，通过对原始图像进行多尺度像素采样的方式，生成N个不同分辨率的图像，把具有最高级别分辨率的图像放在底部，以金字塔形状排列，往上是一系列像素逐渐降低的图像，一直到金字塔的顶部只包含一个像素点的图像。...
SIFT算法分析
m0_63260018的博客
06-14 2758
尺度不变特征变换（SITF）是传统机器学习算法当中比较难的一个算法，步骤也相对其它传统机器学习算法要更多一些。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值