python图像特征提取与匹配_OpenCV+Python特征提取算法与图像描述符之SIFT / SURF / ORB...

有许多用于特征检测和提取的算法，我们将会对其中大部分进行介绍。OpenCV最常使用的特征检测和提取算法有：

Harris：该算法用于检测角点；

SIFT：该算法用于检测斑点；

SURF：该算法用于检测角点；

FAST：该算法用于检测角点；

BRIEF：该算法用于检测斑点；

ORB：该算法代表带方向的FAST算法与具有旋转不变性的BRIEF算法；

通过以下方法进行特征匹配：

暴力(Brute-Force)匹配法；

基于FLANN匹配法；

可以采用单应性进行空间验证。

特征提取算法比较

计算速度： ORB>>SURF>>SIFT(各差一个量级)

旋转鲁棒性： SURF>ORB~SIFT(表示差不多)

模糊鲁棒性： SURF>ORB~SIFT

尺度变换鲁棒性： SURF>SIFT>ORB(ORB并不具备尺度变换性)

基本概念

特征向量

用于表示和量化图像的数字列表，简单理解成将图片转化为一个数字列表表示。特征向量中用来描述图片的各种属性的向量称为特征矢量。

特征描述符(特征描述子)Descriptor

参考

是一种算法和方法，输入1个图像，返回多个特征向量(主要用来处理图像的局部，往往会把多个特征向量组成一个一维的向量)。主要用于图像匹配(视觉检测)，匹配图像中的物品。

SIFT特征算法与DoG尺度空间

SIFT论文

原理

opencv官网解释

实质是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。SIFT所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。

SIFT

尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。

其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。

尺度空间

对现实中物体的描述一定要在一个十分重要的前提下进行，这个前提就是对自然界建模时的尺度。当用一个机器视觉系统分析未知场景时，计算机没有办法预先知道图像中物体的尺度，因此我们需要同时考虑图像在多尺度下的描述，获知感兴趣物体的最佳尺度。图像的尺度空间表达指的是图像的所有尺度下的描述。

DoG尺度空间

DoG空间极值点

特征点方向归一化

计算特征点描述