SIFT特征提取算法实验

SIFT特征提取算法实验

1. SIFT特征提取算法
   1.1 算法定义
   1.2 SIFT特征提取算法实验：
   1.3 构造数据集

2. 检测提取感兴趣点
   2.1代码实现：
   2.2.绘制特征点代码分析：

3. 提取数据集中每张图片的SIFT特征并展示
   3.1实现对比：
   3.2代码实现：

4.计算两张图片间的SIFT特征匹配结果
4.1匹配实现：
4.2代码实现：

5.数据集内检索匹配图像
5.1代码实现：
5.2分析：

6.匹配地理标记图像
6.1代码实现：
6.2分析

7. ANSAC算法
   7.1定义

8. 全景拼接
   8.1 步骤
   8.2 实验结果
   8.3 总结

1.SIFT特征提取算法
1.1【定义】
尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe在1999年所发表，2004年完善总结。
SIFT算法的实质是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。SIFT所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。

1.2 SIFT特征提取算法实验：
通过实验验证了SIFT特征特性：尺度不变性、旋转不变性、光照不变性、鉴别性强，信息量丰富；但同时也发现了SIFT特征提取的缺点：实时性不高，因为不断的下采样和插值等操作、对于边缘光滑的目标无法准确提取特征点，算法速度过慢尤其当图片角点比较复杂的时候。SIFT特征在一下方面应用广泛：主要解决图像配准和目标识别跟踪中下述问题；目标的旋转、缩放、平移，图像的仿射/射影变换，部分减轻光照影响，目标的部分遮挡物场景、噪声。

1.3 构造数据集

2. 检测提取感兴趣点:

2.1代码实现：

2.2.绘制特征点代码分析：

3.提取数据集中每张图片的SIFT特征并展示
3.1实现对比：


3.2代码实现：

4.计算两张图片间的SIFT特征匹配结果
4.1匹配实现：

4.2代码实现：


5.给定一张输入的图片，在数据集内部进行检索，输出与其匹配最多的三张图片
5.1代码实现：

输入图片：

输出：


5.2 分析：

输入图片与数据集中图片两两进行特征匹配后的匹配数保存在npy文件中，要找到与输入图片匹配特征点最多的图，最后将npy文件中数值最大的三个位置输出。SIFT匹配的结果非常精确，由此可见SIFT特征对旋转、尺度缩放、亮度变化等保持不变性，是一种比较稳定的局部特征。
输入照片中的树木较多，输出照片也都是含有树木较多的图片，可能背后的楼房一定程度下会影响主要匹配对象的匹配度，但总体来说还是很准确的。匹配如此准确与特征点定位、特征方向赋值、特征点描述等方面密不可分。SIFT特征不只具有尺度不变性，即使改变旋转角度，图像亮度或拍摄视角，仍然能够得到好的检测效果。

6.匹配地理标记图像
6.1代码实现：