Python计算机视觉-图像局部描述符

1.SIFT描述子

SIFT（Scale Invariant Feature Transform，尺度不变特征变换）由David Lowe 教授提出，SIFT特征包括兴趣点检测器和描述子，具有非常强的稳健性。它对于尺度、旋转和亮度都具有不变性，因此可以用于三位视角和噪声的可靠匹配。

1.1 特征检测步骤：

（1）尺度空间的极值检测：搜索所有尺度空间上的图像，通过高斯微分函数来识别潜在的对尺度和选择不变的兴趣点。
（2）特征点定位：在每个候选的位置上，通过一个拟合精细模型来确定位置尺度，关键点的选取依据他们的稳定程度。
（3）特征方向赋值：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，后续的所有操作都是对于关键点的方向、尺度和位置进行变换，从而提供这些特征的不变性。
（4）特征点描述：在每个特征点周围的邻域内，在选定的尺度上测量图像的局部梯度，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换。

1.2 兴趣点检测匹配与Harris角点检测器效果对比

为了计算图像的SIFT特征，我们用开源工具包VLFeat，VLFeat可以在www.vlfeat.org上下载。

# -*- coding: utf-8 -*-
from PIL import Image
from pylab import *
from PCV.localdescriptors import sift
from PCV.localdescriptors import harris

# 添加中文字体支持
from matplotlib.font_manager import FontProperties
font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14)

imname = './picture/1.jpg'
im = array(Image.open(imname).convert('L'))
sift.process_image(imname, '1.sift')
l1, d1 = sift.read_features_from_file('1.sift')

figure()
gray()
subplot(131)
sift.plot_features(im, l1, circle=False)
title(u'SIFT特征',fontproperties=font)
subplot(132)
sift.plot_features(im, l1, circle=True)
title(u'用圆圈表示SIFT特征尺度',fontproperties=font)

# 检测harris角点
harrisim = harris.compute_harris_response(im)

subplot(133)
filtered_coords = harris.get_harris_points(harrisim, 6, 0.1)
imshow(im)
plot([p[1] for p in filtered_coords], [p[0] for p in filtered_coords], '*')
axis('off')
title(u'Harris角点',fontproperties=font)

show()

没有正确配置工具包时会提示找不到sift文件，需要把VLFeat中的对应系统版本文件夹win64复制到当前项目文件夹中，并在sift.py文件中将命令语句修改，路径中的空格不能忽略：