关键点检测算法——sift算法

OpenCV+Python实现 shif算子

（一）SIFT算法分解为如下四步：

1.尺度空间极值检测：搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。
2.关键点定位：在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。
3.方向确定：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。
4.关键点描述：在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。

（二）OpenCV+Python实现
（SIFT算法是一个有专利的算法，在商业用途上是收费的。不过，在python当中使用SIFT算法和版本之间有不少关系，源文档当中使用opencv版本是2.4.9版本，此版本可以随意使用SIFT算法。但是，在opencv3当中就没那么幸运了，opencv中的很多特征点提取算法都和cv2中的库分离开，必须要添加opencv-contrib才可以使用，只要在VS的Python环境中pip install opencv-contrib-python即可。）

1.函数描述
算法分成了两步，第一步特征提取，第二步计算描述符：

sift = cv2.xfeatures2d.SIFT_create()

keypoints, descriptor = sift.detectAndCompute(img_gray, None)

2.程序代码
(1)只检测关键点并绘制：

import cv2
import numpy as np

img = cv2.imread('img.jpg')
gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

#sift特征计算
sift = cv2.xfeatures2d.SIFT_create()

#detect方法找到关键点
kp,res = sift.detectAndCompute(gray,None)

#drawKeypoints方法绘制关键点
img=cv2.drawKeypoints(gray,kp,img)

cv2.imshow('Sift',img)
cv2.waitKey(0)

运行结果如下图所示：

（2）提取sift特征并进行匹配：

import cv2
import numpy as np 

img_orign = cv2.imread('img.jpg') 
img=cv2.imread('img2.jpg')
rows,cols = img.shape[:2]

gray_orign= cv2.cvtColor(img_orign,cv2.COLOR_BGR2GRAY)
gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

#SIFT特征计算
sift=cv2.xfeatures2d.SIFT_create()

# 蛮力匹配算法,有两个参数，距离度量(L2(default),L1)，是否交叉匹配(默认false)
kp1, des1 = sift.detectAndCompute(gray_orign, None)  
kp2, des2 = sift.detectAndCompute(gray, None) 

#返回k个最佳匹配
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2) 

good = []  
for m, n in matches:  
   if m.distance < 0.5* n.distance:  
       good.append([m])  
img3 = cv2.drawMatchesKnn(img_orign, kp1, img, kp2, good[:20], None, flags=2)  
cv2.imshow('img',img3)
#等待按键按下
cv2.waitKey(0) 
#清除所有窗口
cv2.destroyAllWindows() 

注：
knnMatch(des1, des2,k=2) 函数执行特征点匹配， k = 2 定义基准图像上的一个点会在另一幅图像上有2个匹配结果。good是经过筛选的优质配对，如果2个配对中第一匹配的距离小于第二匹配的距离的0.5，基本可以说明这个第一配对是两幅图像中独特的，不重复的特征点。当然并不能保证good保留的就是最优匹配。OpenCV3中有drawMatchesKnn()函数，可以直接拼接显示配对点。

运行结果如下图所示：