sift特征检测及匹配

bmp测试图像分辨率491*640
算法参考《opencv图像处理编程实例》第八章8-3

David G. Lowe在1999年提出了尺度不变的特征(Scale-Invariant Feature)，用来进行物体的识别和图像匹配等，并于2004年进行了更深入的发展和并加以完善。SIFT（Scale-Invariant Feature Transform）算子是一种图像的局部描述子，具有尺度、旋转、平移的不变性，而且对光照变化、仿射变换和3维投影变换具有一定的鲁棒性。在Mikolajczyk对包括SIFT算子在内的十种局部描述子所做的不变性对比实验中，SIFT及其扩展算法已被证实在同类描述子中具有最强的健壮性。
算法的主要思想是在尺度空间寻找极值点（注意不是平面上的极值点，因此需要过滤掉平面上的极值点），然后对极值点进行过滤，找出稳定的特征点。最后在每个稳定的特征点周围提取图像的局部特性，形成局部描述子并将其用在以后的匹配中。SIFT算法是基于Lindeberg的理论解决了尺度不变性的问题。

关于理论，在网上有很多，现粘贴代码及注释帮助理解。后面给出测试图。

#include "stdafx.h"
#include "PerformaceTimer.h"
#include "opencv2/opencv.hpp" 
#include "opencv2/highgui/highgui.hpp"   
#include "opencv2/nonfree/nonfree.hpp"    
#include "opencv2/legacy/legacy.hpp"   
#include <iostream>
using namespace cv;
using namespace std;
int _tmain(int argc, _TCHAR* argv[])
{
    cv::Mat srcImage1 = cv::imread("C:\\Users\\lenovo\\Desktop\\设备图片\\3.bmp");
    cv::Mat srcImage2 = cv::imread("C:\\Users\\lenovo\\Desktop\\设备图片\\5.jpg");
    if (srcImage1.empty() || srcImage2.empty())
        return -1;
    //计算耗时（自写函数）
    CPerformaceTimer Timer;
    Timer.Begin();

    cv::Mat grayMat1, grayMat2;
    cv::cvtColor(srcImage1, grayMat1, CV_RGB2GRAY);
    //归一化处理
    cv::normalize(grayMat1, grayMat1, 0, 255, cv::NORM_MINMAX);
    cv::cvtColor(srcImage2, grayMat2, CV_RGB2GRAY);
    cv::normalize(grayMat2, grayMat2, 0, 255, cv::NORM_MINMAX);
    //定义SIFT算子
    cv::SiftFeatureDetector detector;
    cv::SiftDescriptorExtractor extractor;
    //特征点检测
    std::vector<cv::KeyPoint>keypoints1;
    detector.detect(grayMat1, keypoints1);
    std::vector<cv::KeyPoint>keypoints2;
    detector.detect(grayMat2, keypoints2);
    //计算特征点描述子
    cv::Mat descriptors1;
    extractor.compute(grayMat1, keypoints1, descriptors1);
    cv::Mat descriptors2;
    extractor.compute(grayMat2, keypoints2, descriptors2);
    //特征点匹配
    std::vector<cv::DMatch>matches;
    cv::BruteForceMatcher<cv::L2<float>>matcher;
    //BruteForce匹配
    matcher.match(descriptors1, descriptors2, matches);
    //二分排列
    int N = 80;
    nth_element(matches.begin(), matches.begin() + N - 1, matches.end());
    //去除特征点不匹配情况
    matches.erase(matches.begin() + N, matches.end());
    //绘制检测结果
    cv::Mat matchMat;
    cv::drawMatches(srcImage1, keypoints1, srcImage2, keypoints2, matches, matchMat);

    //计算耗时（自写函数）
    Timer.End();
    double dTime = Timer.GetTime();

    printf("算法耗时：%f毫秒", dTime);
    cv::imshow("matchMat", matchMat);


    cv::waitKey();
    return 0;
}

算法耗时约为6000毫秒-左右；第二幅测试图经过了旋转，变形，缩放