C++ OpenCV特征提取之SIFT特征检测

前言

前面我们介绍了《C++ OpenCV特征提取之SURF特征检测》，这一篇我们在介绍一下SIFT的特征提取。

SIFT特征和SURF特征比较

比较项目	SIFT	SURF
尺度空间极值检测	使用高斯滤波器，根据不同尺度的高斯差(DOG)图像寻找局部极值	使用方形滤波器，利用海森矩阵的行列式值检测极值，并利用积分图加速运算
关键点定位	通过邻近信息插补来定位	与SIFT类似
方向定位	通过计算关键点局部邻域的方向直方图，寻找直方图中最大值的方向作为关键点的主方向	通过计算特征点周围像素点x,y方向的哈尔小波变换，将x、y方向小波变换的和向量的最大值作为特征点方向
特征描述子	是关键点邻域高斯图像梯度方向直方图统计结果的一种表示，是16*8=128维向量	是关键点邻域2D离散小波变换响应的一种表示，是16*4=64维向量
应用中的主要区别	通常在搜索正确的特征时更加精确，当然也更加耗时	描述子大部分基于强度的差值，计算更快捷

SIFT特征基本介绍

SIFT(Scale-Invariant Feature Transform)特征检测关键特征：

• 建立尺度空间，寻找极值

• 关键点定位（寻找关键点准确位置与删除弱边缘）

• 关键点方向指定

• 关键点描述子

---

建立尺度空间，寻找极值

工作原理

1. 构建图像高斯金字塔，求取DOG，发现最大与最小值在每一级

2. 构建的高斯金字塔，每一层根据sigma的值不同，可以分为几个待级，最少有4个。

---

关键点定位

• 我们在像素级别获得了极值点的位置，但是更准确的值应该在亚像素位置，如何得到--这个过程称为关键点（准确/精确）定位。

• 删除弱边缘--通过Hassian矩阵特征值实现，小于阈值自动舍弃。

---

关键点方向指定

• 求得每一层对应图像的梯度，根据给定的窗口大小

• 计算每个高斯权重，sigma=scale*1.5, 0-360之间建立36个直方图Bins

• 找最高峰对应的Bin，大于max*80%的都保留

• 这样就实现了旋转不变性，提高了匹配时候的稳定性

• 大约有15%的关键点会有多个方向

---

关键点描述子

• 拟合多项式插值寻找最大Peak

• 得到描述子 = 4*4*8=128

---

构造函数

cv::xfeatures2d::SIFT::create(

     int  nfeatures = 0,

     int  nOctaveLayers = 3,    --高斯金字塔乘积数

     double contrastThreshold = 0.04,    --对比度

     double edgeThreshold = 10,   --边缘阈值，一般默认10就行

     double sigma = 1.6     

)

代码演示

我们再新建一个项目名为opencv--sift，按照配置属性(VS2017配置OpenCV通用属性),然后在源文件写入#include和main方法

记得我们要加上opencv2\xfeatures2d.hpp

使用SIFT检测，其实红框里面是我们定义的参数，可以修改一下参数进行变化

运行效果

上面左边红框处就是我们获取了多少个KeyPoints并打印出来，可以看到这个比SURF检测明显要少了不少，说明检测的更为细致了，不过也比SURF花费的时间要长一点。

---

接下来我们改一下参数

再看一下运行效果

可以看到获取到的Keypoints的特征点更少了。

以上就是SIFT的介绍。

---

-END-

长按下方二维码关注微卡智享