SIFT—点局部特征原理

zz不倦

已于 2022-07-31 20:13:17 修改

阅读量479

点赞数

分类专栏：特征提取&匹配 python 文章标签：计算机视觉算法 python

于 2022-07-31 19:01:24 首次发布

本文链接：https://blog.csdn.net/lzh_made_wall/article/details/126082120

版权

本文详细介绍了SIFT（尺度不变特征转换）算法，包括构建高斯差分金字塔、寻找关键点、计算描述子以及匹配过程。SIFT特征点具有旋转、尺度、亮度不变性，对各种图像变化保持稳定。通过Python-Opencv实现，讨论了关键点定位、尺度和方向赋值以及描述子生成的细节，为理解SIFT算法提供全面解析。

摘要由CSDN通过智能技术生成

前言

特征识别主要就三步：
1.找特征点。2.描述特征点（描述子）。3.特征匹配（即描述子匹配）。
Q:特征点需要具备哪些特征呢？（懒得打字）
特征点应具备的特性
Q:描述子需要具备哪些特点呢？
描述子应具备的特性
具体到SIFT，SIFT描述的是一种图像的局部特征，其具有旋转（找主方向）、尺度（DOG）、亮度变化保持不变（HOG Normalization)，对视角变化、仿射（特征点邻域高斯平滑）、噪声同样具有一定的稳定性。这也正是SIFT的厉害之处。
Pthon-Opencv Code: (这里要注意版本，因为SIFT有专利）

def sift_matching(img1, img2):
    sift = cv2.xfeatures2d.SIFT_create()             # 创建检测算法
    kp1, des1 = sift.detectAndCompute(img1, None)   # 检测关键点和计算描述符
    kp2, des2 = sift.detectAndCompute(img2, None)
    matches