Python计算机视觉SIFT尺度不变的图像特征变换

图像特征-SIFT尺度不变特征变换

1.1图像尺度空间

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，然后计算机要具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知，就需要考虑图像在不同尺度下都存在的特点。

尺度空间的获取通常使用高斯模糊来实现

1.2多分辨率金字塔

1.3高斯差分金字塔

1.4DoG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，当其大于(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33邻域8个像素点，以及其相邻的上下两层33邻域18个像素点，共26个像素点进行比较。

1.5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。

1.6消除边界响应

1.7特征点的主方向

1.8生成特征描述

OpenCV SIFT函数

import cv2  #opencv 读取进来为BGR格式
import matplotlib.pyplot as plt
import numpy as np
#一个魔法指令，不需要采用plt.show()显示图像
％matplotlib inline  
print(cv2.__version__)   # 3.4.1.15 pip install opencv-python ==3.4.1.15  pip install opencv-contrib-python==3.4.1.15
def cv_show(name,img):
   cv2.imshow(name,img)
   cv2.waitKey(0)
   cv2.destroyAllWindows()
img = cv2.imread('images/test2.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv_show('gray',gray)
#得到特征点
sift = cv2.xfeatures2d.SIFT_create()
kp = sift.detect(gray,None)
img = cv2.drawKeypoints(gray,kp,img)
cv_show('keyPoint',img)
# 计算特征
kp, des = sift.compute(gray, kp)
print(np.array(kp).shape)
print(des.shape)
print(des[0])

来源：https://blog.csdn.net/weixin_44382897/article/details/109574367