SIFT图像匹配

一、SIFT算法简介

Sift算法是David Lowe于1999年提出的局部特征描述子，并于2004年进行了更深入的发展和完善。Sift特征匹配算法可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有很强的匹配能力。总体来说，Sift算子具有以下特性：
(1)、Sift特征是图像的局部特征，对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性，对视觉变化、仿射变换也保持一定程度的稳定性。
(2)、独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。
(3)、多量性，即使少数的几个物体也可以产生大量Sift特征向量。
(4)、速度相对较快，经优化的Sift匹配算法甚至可以达到实时的要求。
(5)、可扩展性强，可以很方便的与其他形式的特征向量进行联合。

二、SIFT算法原理

1、原理

作为尺度不变特征变换算法（Sift算法）的加速版，Surf算法在适中的条件下完成两幅图像中物体的匹配基本实现了实时处理，其快速的基础实际上只有一个——积分图像haar求导。我们先来看介绍Sift算法的基本过程，然后再介绍Surf算法。

2、特征匹配流程

(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。提取关键点和对关键点附加详细的信息（局部特征）也就是所谓的描述器可以称做是Sift特征的生成，即从多幅图像中提取对尺度缩放、旋转、亮度变化无关的特征向量，Sift特征的生成一般包括以下几个步骤：
(1)、构建尺度空间，检测极值点，获得尺度不变性；
(2)、特征点过滤并进行精确定位；
(3)、为特征点分配方向值；
(4)、生成特征描述子。

三、关键概念

高斯模糊：用来减小图像噪声以及降低细节层次。
DoG（Difference of Gaussian）函数 ：在计算上只需相邻高斯平滑后图像相减，用于关键点检测。

四、代码和结果分析

图片集

1、单张图片特征提取

# -*- coding: utf-8 -*-
from PIL import Image
from pylab import *
from PCV.localdescriptors import sift
from PCV.localdescriptors import harris

# 添加中文字体支持
from matplotlib.font_manager import FontProperties
font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)

imname = r'C:\Users\jxtx\计算机视觉\1\1.jpg'
im = array(Image.open(imname).convert('L'))
sift.process_image(imname, 'empire.sift')
l1, d1 = sift.read_features_from_file('empire.sift')

figure()
gray()
subplot(131)
sift.plot_features(im, l1, circle=False)
title(u'SIFT特征',fontproperties=font)
subplot(132)
sift.plot_features(im, l1, circle=True)
title(u'用圆圈表示SIFT特征尺度',fontproperties=font)

# 检测harris角点
harrisim = harris.compute_harris_response(im)

subplot(133)
filtered_coords = harris.get_harris_points(harrisim, 6, 0.1)
imshow(im)
plot([p[1] for p in filtered_coords], [p[0] for p in filtered_coords], '*')
axis('off')
title(u'Harris角点',fontproperties=font)

show()