opencv之SIFT特征检测介绍

SIFT特征检测介绍

SIFT(Scale-Invariant Feature Transform)特征检测关键特性

• 建立尺度空间，寻找极值
  • 工作原理
    • 构建图像高斯金字塔，求取DoG，发现最大与最小值在每一级
    • 构建的高斯金字塔，每一层根据sigma值不同，可以分为几个等级，最少有四个
• 关键点定位（寻找关键点准确位置与删除若边缘）
  • 我们在像素级别获得了极值点的位置，但是更准确的值应该在亚像素位置，如何得到精确位置的过程称为关键点(准确、精准)定位
  • 删除弱边缘-通过Hassian矩阵特征值实现，小于阈值自动舍弃
• 关键点方向指定
  • 求得每一层对应图像的梯度，根据给定的窗口大小
  • 计算每个高斯权重，sigma=scale*1.5~360之间建立36个直方图Bins
  • 找最高峰对应的Bin，大于max*80%的都保留
  • 这样就实现了旋转不变性，提高了匹配时候的稳定性
  • 大约有15%的关键点会有多个方向
• 关键点描述子
  • 拟合多项式差值寻找最大Peak
  • 得到描述子=448=128

---

函数API

SIFT对象创建函数api

static Ptr<SIFT> cv::xfeatures2d::SIFT::create 	( 	
        int  	nfeatures = 0,
		int  	nOctaveLayers = 3,
		double  	contrastThreshold = 0.04,
		double  	edgeThreshold = 10,
		double  	sigma = 1.6 
	) 	

参数介绍

• nfeatures 特征值数量保留的最佳功能的数量。这些特征按其分数排名（在SIFT算法中作为局部对比度测量）
• nOctaveLayers 高斯计算的层数
• contrastThreshold 用于过滤掉半均匀（低对比度）区域中的弱特征的对比度阈值。 阈值越大，检测器产生的特征越少。论文给出的值是0.3，opencv默认0.4区别不大
• edgeThreshold 用于过滤边缘特征的阈值。请注意，其含义与contrastThreshold不同，即edgeThreshold越大，滤除的特征越少（保留的特征越多）一般默认10。
• sigma 高斯的sigma应用于每层＃0的输入图像。如果使用图像较弱，则可能需要减少数量。默认1.6

---

SIFT提取关键点函数api

void cv::xfeatures2d::SIFT::detect(  InputArray image,     
              vector<KeyPoint>& keypoints,
              InputArray mask=noArray() 
);

函数参数介绍

• image 待检测的图像
• keypoints 检测到的关键点集合
• mask 指定在哪里寻找关键点的掩码（必须是在感兴趣区域中具有非零值的8位整数矩阵）

---

SIFT绘制关键点函数api

cv::drawKeypoints(InputArray image, 
                   vector<KeyPoint>& keypoints, 
                   InputOutputArray outImage,
                   const Scalar& color=Scalar::all(-1), 
                   int flags=DrawMatchesFlags::DEFAULT 
);

函数参数介绍

• image 进行绘制的图像
• keypoints 来自源图像的关键点
• outImage 绘制完成后输出图像
• color 关键点的颜色 默认值随机值
• DrawMatchesFlags 设置绘图功能的标志 默认圆圈

---

代码演示

#include <iostream>
#include <opencv2/opencv.hpp>
#include <math.h>
#include <opencv2/xfeatures2d.hpp>

using namespace std;
using namespace cv;
using namespace cv::xfeatures2d;

#define Pic_Path "C://pic//"
#define Pic_Name "3.jpg"

int main(void)
{
    Mat src, dst, gray_src;
	string pic = string(Pic_Path) + string(Pic_Name);
	cout << "打开图片路径：" << pic << endl;

	src = imread(pic);
	if (src.empty())
	{
		cout << "图片不存在或打开失败" << endl;
		return -1;
	}

	namedWindow("原始图片", WINDOW_AUTOSIZE);
	imshow("原始图片", src);

	//图片转换为灰度图像
	cvtColor(src, gray_src, COLOR_BGR2GRAY);

	//创建SURF对象
	double hessianThreshold = 100;  //检测阈值
	vector<KeyPoint> keypoints;     //关键点的集合
	Ptr<SIFT> sift = cv::xfeatures2d::SIFT::create(hessianThreshold);  //初始化SIFT对象
	sift->detect(gray_src, keypoints);    //检测关键点

	printf("keypoints num is %d\n", keypoints.size());
	dst = src.clone();   //拷贝原图 用于在原图上显示关键点
	drawKeypoints(dst, keypoints, dst);   //绘制关键点

	//显示检测结果
	namedWindow("SIFT检测图片", WINDOW_AUTOSIZE);
	imshow("SIFT检测图片", dst);
	waitKey(0);
	destroyAllWindows();
	return 0;
}

---

运行效果

之前用SURF检测的效果

参考链接:https://blog.csdn.net/lingyunxianhe/article/details/79063547