python简单实现经典的图像匹配算法SIFT

---

SIFT简介

成像匹配的核心问题是将同一目标在不同时间、不同分辨率、不同光照、不同位姿情况下所成的像相对应。传统的匹配算法往往是直接提取角点或边缘，对环境的适应能力较差，急需提出一种鲁棒性强、能够适应不同光照、不同位姿等情况下能够有效识别目标的方法。1999年British Columbia大学大卫.劳伊（ David G.Lowe）教授总结了现有的基于不变量技术的特征检测方法，并正式提出了一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子－SIFT（尺度不变特征变换），这种算法在2004年被加以完善。

---

一、算法思想

将一幅图像映射（变换）为一个局部特征向量集；特征向量具有平移、缩放、旋转不变性，同时对光照变化、仿射及投影变换也有一定不变性。
算法实现步骤简述：
SIFT算法的实质可以归为在不同尺度空间上查找特征点（关键点）的问题。

SIFT算法实现物体识别主要有三大工序：
1、提取关键点；

2、对关键点附加详细的信息（局部特征）也就是所谓的描述器；

3、通过两方特征点（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，也就建立了景物间的对应关系。

二、SIFT算法实现步骤

1.构建尺度空间

2.关键点检测

3.消除错配点

4.关键点描述

5.关键点匹配

三、SIFT算法简单实现代码

旋转缩放图像

def rotsImg(image, angle, scale):
	"""旋转缩放图像"""

	height = image.shape[0]
	width = image.shape[1]

	matRot = cv2.getRotationMatrix2D((height*0.5, width*0.5), angle, scale)
	# 中心，角度，缩放系数

	I_rot = cv2.warpAffine(image, matRot, (width, height))

	return I_rot

实现简单的SIFT检测

def SIFT_CV(image):
	"""实现简单的SIFT检测"""
	sift = cv2.xfeatures2d.SIFT_create()

	imageRot = rotsImg(image, -45, 0.8) #旋转缩放
	imageGray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
	imageRotGray = cv2.cvtColor(imageRot, cv2.COLOR_RGB2GRAY)


	kp1, des1 = sift.detectAndCompute(imageGray, None)
	kp2, des2 = sift.detectAndCompute(imageRotGray, None)

	imageSIFT = cv2.drawKeypoints(image,kp1,image,color=(255,0,255)) #画出特征点，并显示为红色圆圈
	imageRotSIFT = cv2.drawKeypoints(imageRot,kp2,imageRot,color=(255,0,255)) #画出特征点，并显示为红色圆圈

	hmerge = np.hstack((imageSIFT, imageRotSIFT))#水平拼接
	
	return hmerge, des1, des2, kp1, kp2, imageRot

使用KNN算法进行匹配，如果dis为false，直接匹配，默认为True

def BFmatch(image, des1, des2, kp1, kp2, imageRot, dis=True):
	"""使用KNN算法进行匹配，如果dis为false，直接匹配，默认为True"""
	bf = cv2.BFMatcher()
	matches = bf.knnMatch(des1, des2, k=2)
	if(dis == True):
		good = []
		for m,n in matches:
			if m.distance < 0.75*n.distance:
				good.append([m])
		imgRes = cv2.drawMatchesKnn(image, kp1, imageRot, kp2, good, None,flags=2)
	else:
		imgRes = cv2.drawMatchesKnn(image, kp1, imageRot, kp2, matches, None,flags=2)

	return imgRes

if __name__ == '__main__':
	image = cv2.imread("./image/test.jpg")
	imageRe = cv2.resize(image, (300,400))

	imageSift, des1, des2, kp1, kp2, imageRot = SIFT_CV(imageRe)

	imageRes = BFmatch(imageRe, des1, des2, kp1, kp2, imageRot)

	cv2.imshow("imageSift", imageRes)
	cv2.waitKey(20000)

---

完整代码

import cv2
import numpy as np 
import matplotlib.pyplot as plt

def rotsImg(image, angle, scale):
	"""旋转缩放图像"""

	height = image.shape[0]
	width = image.shape[1]

	matRot = cv2.getRotationMatrix2D((height*0.5, width*0.5), angle, scale)
	# 中心，角度，缩放系数

	I_rot = cv2.warpAffine(image, matRot, (width, height))

	return I_rot

def SIFT_CV(image):
	"""实现简单的SIFT检测"""
	sift = cv2.xfeatures2d.SIFT_create()

	imageRot = rotsImg(image, -45, 0.8) #旋转缩放
	imageGray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
	imageRotGray = cv2.cvtColor(imageRot, cv2.COLOR_RGB2GRAY)


	kp1, des1 = sift.detectAndCompute(imageGray, None)
	kp2, des2 = sift.detectAndCompute(imageRotGray, None)

	imageSIFT = cv2.drawKeypoints(image,kp1,image,color=(255,0,255)) #画出特征点，并显示为红色圆圈
	imageRotSIFT = cv2.drawKeypoints(imageRot,kp2,imageRot,color=(255,0,255)) #画出特征点，并显示为红色圆圈

	hmerge = np.hstack((imageSIFT, imageRotSIFT))#水平拼接
	
	return hmerge, des1, des2, kp1, kp2, imageRot

def BFmatch(image, des1, des2, kp1, kp2, imageRot, dis=True):
	"""使用KNN算法进行匹配，如果dis为false，直接匹配，默认为True"""
	bf = cv2.BFMatcher()
	matches = bf.knnMatch(des1, des2, k=2)
	if(dis == True):
		good = []
		for m,n in matches:
			if m.distance < 0.75*n.distance:
				good.append([m])
		imgRes = cv2.drawMatchesKnn(image, kp1, imageRot, kp2, good, None,flags=2)
	else:
		imgRes = cv2.drawMatchesKnn(image, kp1, imageRot, kp2, matches, None,flags=2)

	return imgRes

if __name__ == '__main__':
	image = cv2.imread("./image/test.jpg")
	imageRe = cv2.resize(image, (300,400))

	imageSift, des1, des2, kp1, kp2, imageRot = SIFT_CV(imageRe)

	imageRes = BFmatch(imageRe, des1, des2, kp1, kp2, imageRot)

	cv2.imshow("imageSift", imageRes)
	cv2.waitKey(20000)