机器学习进阶-图像特征sift-SIFT特征点 1.cv2.xfeatures2d.SIFT_create(实例化sift) 2. sift.detect(找出关键点) 3.cv2.drawKey...

1. sift = cv2.xfeatures2d.SIFT_create() 实例化

参数说明：sift为实例化的sift函数

2. kp = sift.detect(gray, None)  找出图像中的关键点

参数说明: kp表示生成的关键点，gray表示输入的灰度图，

3. ret = cv2.drawKeypoints(gray, kp, img) 在图中画出关键点

参数说明：gray表示输入图片, kp表示关键点，img表示输出的图片

4.kp, dst = sift.compute(kp) 计算关键点对应的sift特征向量

参数说明：kp表示输入的关键点，dst表示输出的sift特征向量，通常是128维的

 

第一步：进行高斯模糊，获得不同模糊度的图片

第二步：进行直接的降采样，获得多分辨的图片

第三步：将高斯模糊后的图片进行相减操作获得差分金字塔，使用DOC公式

第四步：对差分金字塔进行上下金字塔的比较，获得极值点

第五步：使用泰勒展开式，获得精确的极值点

第六步：使用herrian公式，通过特征向量变化，比较λ1和λ2的大小，用于消除边界点

第七步：使用sobel算子，计算特征点的梯度大小和梯度方向

第八步：统计特征点临近位置的梯度方向，做出直方图，求出特征点的主要方向

第九步：对应于特征的主要方向，进行旋转，保持特征点大小的方向不变性

第十步：对领域的特征点进行统计，按照4*4的数目，每个区域生成8个方向，即每个方向的出现的次数作为特征，一般使用16个区域，即16*8= 128个特征

shift特征点：用来进行侦查和描述图片的特征，它在空间尺度中寻找极值点，并提取位置，尺度(梯度大小)，旋转不变量(方向)

流程：

第一步：先对图像进行高斯模糊，获得5-6张的模糊后的