SIFT的构成

SIFT简介

Scale Invariant Feature Transform，尺度不变特征变换匹配算法，是由David G. Lowe在1999年（《Object Recognition from Local Scale-Invariant Features》）提出的高效区域检测算法，在2004年（《Distinctive Image Features from Scale-Invariant Keypoints》）得以完善。

SIFT特征对旋转、尺度缩放、亮度变化等保持不变性，是非常稳定的局部特征，现在应用很广泛。而SIFT算法是将Blob检测，特征矢量生成，特征匹配搜索等步骤结合在一起优化。

SIFT在opencv中的使用

首先，实例化SIFT，然后初始化关键点容器，定义Mat类的关键点描述算子。

SIFT sift1, sift2;                                                   //实例化SIFT

vector<KeyPoint> key_points1, key_points2;                           //关键点容器
Mat descriptors1, descriptors2, mascara;

然后，就可以用重载的方式使用SIFT来对图像进行特征点提取。

sift1(img1, mascara, key_points1, descriptors1);
sift2(img2, mascara, key_points2, descriptors2);

SIFT的介绍：

SIFT::SIFT(int nfeatures=0, int nOctaveLayers=3, double contrastThreshold=0.04, double edgeThreshold=  
10, double sigma=1.6)  

nfeatures:特征点数目

nOctaveLayers:高斯金字塔的层数

contrastThreshoid:特征点提取的阈值，contrastThreshoid的值越大，特征点的数目越少。

edgeThreshold:边缘提取的阈值

sigma:金字塔第0层图像滤波系数，就是σ

重载操作符

void SIFT::operator()(InputArray img, InputArray mask, vector<KeyPoint>& keypoints, OutputArray  
descriptors, bool useProvidedKeypoints=false)

InputArray img:输入图像的矩阵

InputArray mask:图像检测区域

vector<Keypoint>&keypoints:特征向量矩阵

outputArray：输出图像

descriptors:特征点描述的输出向量

bool usePrividedKeypoints:是否进行特征点检测，ture 进行，false 不进行