python---利用sift算法实现描述子匹配以及地理标记图像

一、角点

定义：
像素周围显示存在多于一个方向的边，认为该点为兴趣点，也就是角点
检测角点：
以一个点为中心点，在该点周围设置一个窗口，局部窗口沿各方向移动。移动的情况可分为三种：
1.各方向均无灰度变化：可能位于平滑部位
2.左右方向有明显变化，上下无明显变化（或上下有明显变化，左右无明显变化）：可能位于边缘位置
3.各个方向均产生明显灰度变化：可能位于角点位置

二、SIFT算法

1. 简介

  1999年David G.Lowe教授总结了基于特征不变技术的检测方法，在图像尺度空间基础上，提出了对图像缩放、旋转保持不变性的图像局部特征描述算子－SIFT（尺度不变特征变换），该算法在2004年被加以完善。
　Sitf算法在物体上的一些局部外观的兴趣点与图像本身的大小和旋转无关，这是相比于Harris算法的一个很大的改进。Harris算法只能保证旋转不变形，但对于缩放后的图像，再使用Harris算法就检测不出来了，这是因为Harris角点检测算法是基于窗口中像素分布和变化的原理，在图像放大且窗口大小不发生变化的时，窗口中的像素信息则会有很大的不同，所以无法检测。

1.1 SIFT算法特点

1.图像的局部特征，对旋转、尺度缩放、亮度变化保持不变，对视角变化、仿射变换、噪声也保持一定程度的稳定性。
2.独特性好，信息量丰富，适用于海量特征库进行快速、准确的匹配。
3.多量性，即使是很少几个物体也可以产生大量的SIFT特征
4.高速性，经优化的SIFT匹配算法甚至可以达到实时性
5.扩招性，可以很方便的与其他的特征向量进行联合。

1.2 可以解决的问题

目标的旋转、缩放、平移
图像仿射/投影变换
弱光照影响
部分目标遮挡
杂物场景
噪声

2. 算法步骤

算法实质：在不同尺度空间上寻找特征点
主要流程：
1.提取关键点
2.对关键点附加详细信息（局部特征），即描述符
3.通过特征点（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，建立景物间的对应关系。

3. 关键点中的重要概念

3.1 关键点

  所要寻找的关键点就是一些十分突出的点，也就是在视觉领域中一些有别于其周围的地方，但这些点不会因光照、尺度、旋转等因素的改变而消失，比如角点、边缘点、暗区域的亮点以及亮区域的暗点。
　既然两幅图像中有相同的景物，那么使用某种方法分别提取各自的稳定点，这些点之间会有相互对应的匹配点。

3.2 尺度空间

尺度空间理论最早于1962年提出，其主要思想是通过对原始图像进行尺度变换，获得图像多尺度下的空间表示。从而实现边缘、角点检测和不同分辨率上的特征提取，以
满足特征点的尺度不变性。在一定范围内，人眼可以分辨出物体的大小，但计算机并未具有相同的能力，因此在未知场景中，计算机视觉不能够提供物体的尺度大小，所以采用的方法是：将物体不同尺度下的图像都提供给计算机这样计算机就能够对一个物体的不同尺度有一个统一认识，也就是说，要考虑图像在不同尺度下都存在的特点。
尺度空间中各尺度图像的模糊程度逐渐变大，能够模拟人在距离目标由近到远时目标
在视网膜上的形成过程。

4. 高斯模糊

高斯核是唯一可以产生多尺度空间的核，尺度空间的获取需要使用高斯模糊来实现

4.1 高斯函数

其中（x，y）是空间坐标，L(x, y, σ) 为原始图像， I(x, y)与一个可变尺度的2维高斯函数G(x, y, σ) 卷积运算。
σ为正态分布的方差，方差越大，滤波后的图像较模糊，边缘越清晰。

                   图4.1.1 二维高斯曲面

 　在这里的“尺度”就是指，一张照片与二维高斯函数卷积后得到很多张不同σ值的高斯图像。所有不同尺度下的图像，构成单个原始图像的尺度空间。
　在二维空间中，这个公式生成的曲面的等高线是从中心开始呈正态分布的同心圆，如图4.1.1所示。分布不为零的像素组成的卷积矩阵与原始图像做变换。每个像素的值都是周围相邻像素值的加权平均。相邻像素随着距离原始像素越来越远，其权重也越来越小。这样进行模糊处理比其它的均衡模糊滤波器更高地保留了边缘效果。
　理论上来讲，图像中每点的分布都不为零，也就是说每个像素的计算都需要包含整幅图像。在实际应用中，在计算高斯函数的离散近似时，在大概3σ距离之外的像素都可以看作不起作用，这些像素的计算也就可以忽略。通常，图像处理程序只需要计算(6σ+1)(6σ-1)的矩阵就可以保证相关像素影响。

4.2 高斯模糊

 　高斯模糊是在Adobe Photoshop等图像处理软件中广泛使用的处理效果，通常用它来减小图像噪声以及降低细节层次。这种模糊技术生成的图像的视觉效果是好像经过一个半透明的屏幕观察图像。
　根据σ的值，计算出高斯模板矩阵的大小(6σ+1)(6σ-1)，使用公式计算高斯模板矩阵的值，与原图像做卷积，即可获得原图像的平滑(高斯模糊)图像。为了确保模板矩阵中的元素在[0,1]之间，需将模板矩阵归一化。5*5的高斯模板如表4.2所示。

　　　　　　　　　　　表4.2 σ=0.6的高斯模板

下图是5*5的高斯模板卷积计算示意图。高斯模板是中心对称的。