文章目录
0 引言
本文主要对SIFT、SURF和ORB特征点检测和描述算法进行详细的学习和比较。
⚠️ ⚠️ ⚠️ ：SIFT、SURF是有专利保护的算法，在
opencv-contrib-python=3.4.3之后专利收费，可用anaconda创建一个临时环境，安装指定版本来测试：pip install opencv-contrib-python==3.4.2.17
1 SIFT算法
SIFT (Scale-Invariant Feature Transform) 是一种计算机视觉算法，用于检测和描述图像中的局部特征。SIFT 算法由 David Lowe 在 1999 年提出，并在 👉 2004年的论文中详细描述。
1.1 主要目的
SIFT 算法的主要目标是提取图像中的关键点，这些关键点在不同尺度和旋转下都具有不变性。它在图像中寻找具有稳定特征的局部极值点，并计算这些关键点的描述子。这些描述子可以用于在不同图像之间进行特征匹配，从而实现图像识别、目标跟踪等应用。
1.2 主要步骤
SIFT 算法的主要步骤如下：
-
尺度空间极值检测（
Scale-space extrema detection）：通过在图像的不同尺度上应用高斯差分（Gaussian difference-of-Gaussian）进行滤波，检测图像中的极值点。这些极值点通常对应于图像中的边缘、角点等关键位置。 -
关键点定位（
Keypoint localization）：通过在尺度空间中对极值点进行精确定位，排除低对比度和边缘响应不明确的关键点。SIFT算法使用了尺度空间的极值点的曲率来过滤掉不稳定的关键点。 -
方向分配（
Orientation assignment）：为每个关键点分配一个主方向，用于后续计算关键点的描述子。这样可以使描述子对旋转变换具有不变性。 -
关键点描述（
Descriptor computation）：根据关键点的尺度和方向，计算关键点周围区域的描述子。描述子通常使用关键点周围的梯度方向直方图表示，具有一定的独特性和不变性。
1.3 示例代码
由于OpenCV库中已经有对应的SIFT算法接口，直接调用即可，如下python代码：
import cv2
# 加载图像
image = cv2.imread('liuyf.jpg')
# 创建 SIFT 对象
sift = cv2.xfeatures2d.SIFT_create()
# 检测关键点和计算描述子
keypoints, descriptors = sift.detectAndCompute(image, None)
# 绘制关键点
image_with_keypoints = cv2.drawKeypoints(image, keypoints, None)
# 保存图像
cv2.imwrite('image_with_sift.jpg', image_with_keypoints)
# 显示图像
cv2.imshow('Image with Keypoints', image_with_keypoints)
cv2.waitKey(0)
cv2.destroyAllWindows()
在上述代码中输入左图，输出右图，主要调用了cv2.xfeatures2d.SIFT_create()创建SIFT对象，然后调用sift.detectAndCompute(image, None)检测关键点和计算描述子。
 |  |
SIFT 算法的主要优点是其对尺度、旋转、仿射变换等具有较好的不变性，使得它在图像匹配、目标识别和三维重建等领域具有广泛的应用。然而，SIFT 算法计算量较大，不适用于实时应用，后续也出现了一些更快的替代算法，如SURF（Speeded Up Robust Features）和ORB（Oriented FAST and Rotated BRIEF）。
2 SURF算法
SURF (Speeded Up Robust Features) 是一种基于 SIFT 算法的改进版本，它在计算效率和描述子的稳健性方面进行了优化。SURF 算法由 Herbert Bay 等人于 2006 年提出，并发表👉 SURF论文。
2.1 主要目的
与 SIFT 算法相比，SURF 算法主要改进了以下两个方面：
-
尺度空间极值检测：
SURF算法使用快速Hessian矩阵（Fast Hessian）来检测图像中的尺度空间极值点。相比之下，SIFT算法使用高斯差分金字塔来检测极值点，而快速Hessian矩阵能够更快地计算图像的尺度空间。 -
描述子计算：
SURF算法使用了一种加速技术称为积分图像（Integral Image），用于快速计算关键点周围区域的梯度和特征描述子。这种技术可以显著加快计算速度。
由于 SURF 算法对尺度、旋转和仿射变换具有较好的不变性，并且计算速度更快，因此在实际应用中得到了广泛的应用。与 SIFT 算法相比，SURF 算法在实时性要求较高的场景下更加适用。
2.2 主要步骤
SURF算法的主要步骤可以概括为以下几个阶段：
-
尺度空间构建：首先，对输入图像进行尺度空间构建。这通常涉及使用高斯滤波器构建图像的金字塔，通过不同尺度的图像来检测不同尺度的特征。
-
关键点检测：在每个尺度的图像中，使用
Hessian矩阵计算特征点的兴趣值。Hessian矩阵描述了图像局部区域的灰度变化情况，通过检测局部最大值或最小值来确定关键点。 -
关键点定位：通过在尺度空间中插值，精确定位关键点的位置。这样做是为了提高关键点的精度，并且能够在亚像素级别进行定位。
-
方向分配：对于每个关键点，计算其主要方向。这通常通过计算特征点周围区域的梯度方向直方图来实现。主要方向用于后续的描述子计算和旋转不变性。
-
描述子计算：在关键点周围的邻域中，计算描述子来描述关键点的特征。
SURF算法使用了一种基于哈尔小波响应的描述子计算方法。描述子捕捉了关键点周围区域的局部特征。 -
特征匹配：使用描述子比较来进行特征匹配。常见的方法是使用距离度量（如欧氏距离或汉明距离）来衡量描述子之间的相似性。匹配算法可以采用暴力匹配或更高级的方法（如最近邻搜索或
KD树）。 -
异常值剔除：在进行特征匹配后，可能存在一些错误的匹配或异常值。通过应用一些筛选机制（如
RANSAC算法）来剔除这些异常值，以获得更准确的匹配结果。
2.3 示例代码
由于OpenCV库中已经有对应的SURF算法接口，直接调用即可，如下python代码：
import cv2
# 加载图像
image = cv2.imread('liuyf.jpg')
# 创建 SURF 对象
surf = cv2.xfeatures2d.SURF_create()
# 检测关键点和计算描述子
keypoints, descriptors = surf.detectAndCompute(image, None)
# 绘制关键点
image_with_keypoints = cv2.drawKeypoints(image, keypoints, None)
# 保存图像
cv2.imwrite('image_with_surf.jpg', image_with_keypoints)
# 显示图像
cv2.imshow('Image with Keypoints', image_with_keypoints)
cv2.waitKey(0)
cv2.destroyAllWindows()
在上述代码中输入左图，输出右图，主要调用了cv2.xfeatures2d.SURF_create()创建SIFT对象，然后调用surf.detectAndCompute(image, None)检测关键点和计算描述子。
|  |
3 ORB算法
ORB（Oriented FAST and Rotated BRIEF）也是一种目前常用的计算机视觉算法，用于图像特征提取和描述。它是在FAST角点检测器和BRIEF描述子算法的基础上进行改进的。👉 ORB论文
详细的实现版本也可参考如下的ORB-SLAM2中的ORBextractor。
👉 ORB-SLAM2算法8之特征点提取、生成描述子的ORBextractor
3.1 主要步骤
`ORB算法的主要步骤如下：
-
FAST角点检测：使用FAST（Features from Accelerated Segment Test）算法检测图像中的角点。FAST算法通过比较像素点与其周围邻域像素的灰度值来判断是否为角点。 -
构建金字塔：为了对不同尺度下的图像进行处理，
ORB算法使用图像金字塔。通过对原始图像进行不断的降采样，得到一系列尺度不同的图像。 -
计算角点的方向：为了提取具有旋转不变性的特征，
ORB算法使用灰度质心法来计算角点的方向。它计算角点周围像素的灰度质心，然后根据质心的位置计算角点的方向。 -
构建
BRIEF描述子：使用BRIEF（Binary Robust Independent Elementary Features）算法构建特征描述子。BRIEF算法通过在角点周围选择一组特定的像素点对，并比较它们的灰度值来生成一个二进制编码，用于描述特征点的特征。 -
特征点匹配：使用描述子之间的汉明距离（
Hamming Distance）来度量两个特征点的相似性。通过比较特征点的描述子，找到最佳匹配的特征点。
3.2 代码示例
由于OpenCV库中已经有对应的ORB算法接口，直接调用即可，如下python代码：
import cv2
# 读取输入图像
image = cv2.imread('liuyf.jpg')
# 创建ORB对象
orb = cv2.ORB_create()
# 检测关键点和计算描述子
keypoints, descriptors = orb.detectAndCompute(image, None)
# 可选：绘制关键点
image_with_keypoints = cv2.drawKeypoints(image, keypoints, None)
# 保存图像
cv2.imwrite('image_with_orb.jpg', image_with_keypoints)
# 显示结果
cv2.imshow('Image with Keypoints', image_with_keypoints)
cv2.waitKey(0)
cv2.destroyAllWindows()
在上述代码中输入左图，输出右图，主要调用了cv2.ORB_create()创建SIFT对象，然后调用orb.detectAndCompute(image, None)检测关键点和计算描述子。
|  |
4 三者对比
| 算法 | SIFT | SURF | ORB |
|---|---|---|---|
| 原理 | SIFT算法通过在不同尺度空间和旋转角度上检测图像中的关键点，并计算每个关键点的局部特征描述子 | SURF算法也是基于尺度空间的特征提取方法，使用了积分图像的数据结构来加速计算，并检测图像中的兴趣点，并计算每个兴趣点的局部特征描述子 | ORB算法结合了FAST关键点检测器和BRIEF描述子。FAST用于检测关键点，BRIEF用于计算关键点的二进制描述子 |
| 特征描述子 | SIFT算法生成128维的局部特征描述子 | SURF算法生成64维的局部特征描述子 | ORB算法生成二进制的局部特征描述子 |
| 计算效率 | SIFT算法计算效率较低，尤其在计算特征描述子时需要进行大量的高斯模糊和梯度计算操作 | SURF算法相对于SIFT算法来说计算效率较高，主要得益于使用积分图像结构来加速计算 | ORB算法具有较高的计算效率，主要因为FAST关键点检测器和BRIEF描述子都是基于快速计算的算法 |
| 尺度不变性 | SIFT算法对于尺度变化具有较好的不变性 | SURF算法也具有一定的尺度不变性 | ORB算法在尺度变化较大的情况下可能不太稳定 |
| 旋转不变性 | SIFT算法具有很好的旋转不变性 | SURF算法也具有一定的旋转不变性 | ORB算法在旋转角度较大的情况下可能不太稳定 |
| 鲁棒性 | SIFT算法在处理光照变化、噪声等情况下具有较好的鲁棒性 | SURF算法对于光照变化和噪声有一定的鲁棒性 | ORB算法在光照变化和噪声较小的情况下表现较好 |
Reference:
- SIFT 论文：https://www.cs.ubc.ca/~lowe/papers/ijcv04.pdf
- SURF 论文：https://people.ee.ethz.ch/~surf/eccv06.pdf
- ORB 论文：https://www.gwylab.com/download/ORB_2012.pdf
- ORB-SLAM2算法8之特征点提取、生成描述子的ORBextractor
⭐️👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍👍🌔
1534
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
