Python-计算机视觉05-图像特征-SIFT尺度不变特征变换

图像特征-SIFT尺度不变特征变换

1.1图像尺度空间
•在一定的范围内，无论物体是大还是小，人眼都可以分辨出来，然后计算机要具有相同的能力却很难，所以要让机器能够对物体在不同尺度下有一个统一的认知，就需要考虑图像在不同尺度下都存在的特点。
尺度空间的获取通常使用高斯模糊来实现
1.2多分辨率金字塔
1.3高斯差分金字塔
1.4DoG空间极值检测
•为了寻找尺度空间的极值点，每个像素点要和其图像域(同一尺度空间)和尺度域(相邻的尺度空间)的所有相邻点进行比较，当其大于(或者小于)所有相邻点时，该点就是极值点。如下图所示，中间的检测点要和其所在图像的33邻域8个像素点，以及其相邻的上下两层33邻域18个像素点，共26个像素点进行比较。
1.5关键点的精确定位
•这些候选关键点是DoG空间的局部极值点，而且这些极值点均为离散的点，精确定位极值点的一种方法是对尺度空间DoG函数进行曲线拟合，计算其极值点，从而实现关键点的精确定位。
1.6消除边界响应
1.7特征点的主方向
2.1生成特征描述

OpenCV SIFT函数

import cv2  #opencv 读取进来为BGR格式
import matplotlib.pyplot as plt
import numpy as np

#一个魔法指令，不需要采用plt.show()显示图像
%matplotlib inline   

print(cv2.__version__)   # 3.4.1.15 pip install opencv-python ==3.4.1.15  pip install opencv-contrib-python==3.4.1.15

def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

img = cv2.imread('images/test2.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

cv_show('gray',gray)
#得到特征点
sift = cv2.xfeatures2d.SIFT_create()
kp = sift.detect(gray,None)

img = cv2.drawKeypoints(gray,kp,img)
cv_show('keyPoint',img)

# 计算特征
kp, des = sift.compute(gray, kp)
print(np.array(kp).shape)

print(des.shape)

print(des[0])