超级会员免费看
本文详细介绍了SIFT特征提取过程，包括图像尺度空间、多分辨率高斯图像金字塔、高斯差分图像金字塔（DOG）以及关键点的检测和精确定位。SIFT算法通过寻找尺度和旋转不变的特征点，提供了一种鲁棒的图像特征描述方法。文章还提及了SIFT在图像处理中的局限性和后续优化算法如SURF。
计算机视觉（特征检测）- DoG 和 SIFT 进行特征提取描述
- 学习前言
- 一、DoG 和 SIFT 进行特征提取描述
- 二、主要API介绍
-
- 1、```sift =cv2.SIFT_create([, nfeatures[, nOctaveLayers[, contrastThreshold[, edgeThreshold]]]]) ```
- 2、```keypoints = sift .detect(image[, mask]) ```
- 3、```outImage = cv2.drawKeypoints(image, keypoints, outImage[, color[, flags]] ) ```
- 3、```keypoints, descriptors = sift.detectAndCompute(image, mask) ```
- 三、代码&效果图
学习前言
最近学特征检测学得有点入迷，所以就索性写了几篇角点检测的博客，今天这篇SIFT也可以进行角点检测，不过我没有把它归类到角点检测那一类中，其原理和不同我就放在博客正文中去写了~好好学习天天向上！！！
个人建议：大概了解，学会用就行了，真心没必要弄清楚。
一、DoG 和 SIFT 进行特征提取描述
以角点检测算法——Harris角点检测为例。Harris角点检测可以很好的检测到角点，这与角点本身的特性也有关系，就算在图像旋转的情况下，也能将角点检测出来。然而，如果减小（或增加）图像的大小，那么图像就会丢失某些部分，甚至有可能增加角点的质量。
举个例子就上图：
原图：
订阅专栏 解锁全文
扫一扫
811
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
