7-SIFT 尺度不变特征变换

SIFT（尺度不变特征变换）

Sift（尺度不变特征变换），全称是Scale Invariant Feature Transform

Sift提取图像的局部特征，在尺度空间寻找极值点，并提取出其位置、尺度、方向信息。
Sfit的应用范围包括物体辨别、机器人地图感知与导航、影像拼接、3D模型建立、手势识别、影像追踪等。

Sift特征的特点：

1. 对视角变化、噪声等也存在一定程度的稳定性；
2. 独特性，信息量丰富，适用于在海量特征数据中进行快速，准确的匹配；
3. 多量性，即使少数几个物体也可以产生大量的Sfit特征向量；

---

注意SIFT有专利！

SIFT特征提取和匹配具体步骤

1. 生成高斯差分金字塔（DOG金字塔），尺度空间构建
2. 空间极值点检测（关键点的初步查探）
3. 稳定关键点的精确定位
4. 稳定关键点方向信息分配
5. 关键点描述
6. 特征点匹配
   —概念—

尺度空间，即，试图在图像领域中模拟人眼观察物体的概念与方法。

图像金字塔--》高斯金字塔--》DOG金字塔--》尺度空间

高斯金字塔：

1. 在同一组内，不同层图像的尺寸是一样的，后一层图像的
   高斯平滑因子σ是前一层图像平滑因子的k倍；
2. 在不同组间，后一组第一个图像是前一组倒数第三个图像
   的二分之一采样，图像大小是前一组的一半

DOG金字塔-高斯差分金字塔

差分金字塔，DOG（Difference of Gaussian）金字塔是在高斯金字塔的基础上构建起来的，其实生成高斯金字塔的目的就是为了构建DOG金字塔。
DOG金字塔的第1组第1层是由高斯金字塔的第1组第2层减第1组第1层得到的。以此类推，
逐组逐层生成每一个差分图像，所有差分图像构成差分金字塔。
概括为DOG金字塔的第o组第l层图像是由高斯金字塔的第o组第l+1层减第o组第l层得到的

尺度空间极值检测

特征点是由DOG空间的局部极值点组成的。为了寻找DoG的极值点，每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。
如下图，中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点

获得S层的极值点–》DOG就得有S+2层–》高斯金字塔得有L=S+3层

代码：

# -*- coding: utf-8 -*-
'''@Time: 2024/5/19 16:20

'''
import cv2
import numpy as np
img = cv2.imread("../lenna.png")
gray = cv2.imread("../lenna.png",0)

sift = cv2.xfeatures2d.SIFT_create()
keypoints,descriptor = sift.detectAndCompute(gray,None)
img = cv2.drawKeypoints(image=img,outImage=img,keypoints=keypoints,
                        flags=cv2.DrawMatchesFlags_DRAW_RICH_KEYPOINTS,
                        color=(51,163,236))
cv2.imshow('sift_keypoints',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

可以看出：关键点的尺度越大，越是轮廓（比如脸部），尺度越小，越是细节（比如头发，帽檐）。