Opencv学习进阶篇---图像特征SIFT

图像特征—SIFT
图像尺度空间
在一定范围内，无论物体是大还是小，人眼都可以分辨出来，然而计算机要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通过高斯模糊来实现

σ的值控制着模糊的程度，σ的值越大，模糊程度越高

多分辨率金字塔每一层都有对应多个模糊度不同的图像

高斯差分金字塔：

对相同分辨率的的图像进行差分计算：找差分结果较大的，特征（不同）点，然后用向量做代替


DOG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区域（同一尺度空间）和尺度域u（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邻域的8个点进行比较，也要与上下两层的18个点进行比较，总共需与26个点比较。
注意：每一层最上面的那层图像和最下面的那层图像无法做此操作，因为没有上下层

关键点的精确定位：
这些关键候选点是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进行曲线拟合，计算其极值点，从而实现关键点的精确定位。

求一阶导数为0的点，则该点为真正的极值点。

三维的，大多数论文中的公式引用是下方这种形式的：

消除边界效应：
前面做了一系列高斯模糊操作，可能会增加了图像的高斯边界响应，故因在此做消除响应操作

**特征点的主方向：**将点转化成向量

每个特征点可以得到三个信息（x,y,σ,θ）,即位置、尺度、方向。具有多个方向的关键点可以被复制成多份，然后将方向值赋值给赋值后的特征点，一个特征点就产生了多个坐标、尺度相等，但方向不同的特征点。
生成特征描述：
在完成关键点的梯度计算后，使用直方图统计领域内像素的梯度和方向。
方向众多，只统计8个主要的方向进行统计。得到主方向。
当主方向和此方向数量比较接近时，也可以拆分成两个方向，得到两个特征向量。

为了保证特征矢量的旋转不变性，要以特征点为中心，在附近领域内将坐标轴旋转θ角度，即将坐标轴旋转为特征点的主方向。

旋转之后的主方向为中心取88的窗口，求每个像素的梯度幅值和方向，箭头方向代表梯度方向，长度代表梯度幅值，然后利用高斯窗口对其进行加权运算，最后在每个44的小块上绘制8个方向的梯度直方图，计算每个梯度方向的累加值，即可形成一个种子点，即每个特征值由4个种子点组成，每个种子点有8个方向的向量信息。

论文中建议每个关键点采用44的共16个种子点来描述，这样一个关键点就会产生128维的SIFT特征向量，通常这样写[4,4,8]，代表4*4,每个8个方向。

注意：opencv-python3.4.1.15版本之后的SIFT函数已经取消了授权,无法使用使用该函数。
本例中尝试降版本，最低只能降到3.4.2.16，仍无法使用！！！！

img=cv.imread("E:\OpenCVTests/test_1.jpg")
gray=cv.cvtColor(img,cv.COLOR_BGR2GRAY)
sift=cv.xfeatures2d.SIFT_create()
kp=sift.detect(gray,None)#封装好的，无法显示，需要调用其他函数
img=cv.drawKeypoints(gray,kp,img)
cv.imshow("drawKeypoints",img)