Python-opencv-SIFT尺度不变特征变换

学习目标：

提示：基于Python-opencv-SIFT尺度不变特征变换

---

学习内容：

提示：SIFT尺度不变特征变换

2004年，不列颠哥伦比亚大学的D.Lowe在他的论文《尺度不变关键点中的独特图像特征》中提出了一种新算法，即尺度不变特征变换（SIFT），该算法提取关键点并计算其描述算符。
SIFT算法主要包括四个步骤：

1. 尺度空间极值检测
   LoG用作斑点检测器，可检测由于σ的变化而导致的各种大小的斑点。简而言之，σ用作缩放参数。低σ的高斯核对于较小的拐角给出比较高的值，而高的σ的高斯核对于较大的拐角而言非常合适。因此我们可以找到整个尺度核空间上的局部最大值，这给我们（x,y,σ）值的列表，这意味着在（x,y）在σ尺度上有一个潜在的关键点。但这种LoG代价昂贵，因此SIFT算法使用的是高斯差值，它是LoG的近似值。高斯差是作为具有两个不同σ的图像的高斯模糊差而获得的，设为σ和kσ。此过程是针对高斯金字塔中图像的不同八度完成的。
   
   一旦找到该DoG（高斯差分金字塔），便会在图像上搜索比例和空间上的局部极值。例如，将图像中的一个像素与其8个相邻像素以及下一个比例的9个像素和前一个比例的9个像素进行比较。如果是局部极值，则可能是关键点。从根本上说，关键点是最好的代表。
   
2. 关键点定位
   一旦找到潜在的关键点位置，就必须对其进行优化以获取更准确的结果。他们使用了标度空间的泰勒级数展开来获得更精确的极值位置，如果该极值处的强度小于阈值，则将其拒绝。
3. 方向分配
   现在，将方向分配给每个关键点，以实现图像的旋转不变性。根据比例在关键点位置附近采取领域，并在该区域中计算梯度大小和方向。创建了一个具有36个覆盖360度的bin的方向直方图（通过梯度幅度和σ等于关键点比例的1.5的高斯加权圆窗加权）。提取直方图中的最高峰，并且将其超过80%的任何峰也视为计算方向。它创建的位置和比例相同但方向不同的关键点。它有助于匹配的稳定性。
4. 关键点描述
   现在创建了关键点描述符。在关键点周围采用1616的领域。它分为16个44大小的子块。对于每个子块，创建8bin方向直方图。因此共有128个bin值可用。它被表示为形成关键点描述符的向量。除此之外，还采取了几种措施来实现针对照明变化，旋转等的鲁棒性。
   

---

学习时间：

提示：1s学废

---

学习产出：

python-opencv中的SIFT

直接看代码

# 导包
import numpy as np
import cv2 as cv

# 选择一个实验朋友的照片
img1 = cv.imread('D:/hou/xiaohou.jpg')
# 朋友脸太大，缩小下比例
img = cv.resize(img1,(500,500))

# 转个灰度
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
# 从关键点检测开始并进行绘制
sift = cv.xfeatures2d.SIFT_create()
# sift.detect()函数在图像中找到关键点
# kp是关键点列表，des是一个形状为Number_of_Keypoints*128的数字数组
kp,des = sift.detectAndCompute(gray,None)
# 在关键点的位置绘制小圆圈
# 可选参数【cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS】 -> 具有关键点大小的圆，会显示其方向
img = cv.drawKeypoints(gray,kp,img,flags=cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

cv.imwrite('D:/sift_detect.jpg',img)