OpenCV图像特征SIFT

文章目录

图像尺度空间
多分辨率金字塔
多分辨率金字塔DOG
- DoG空间极值检测
- 关键点的精确定位
- 消除边界响应
SIFT算法特征点
- 特征点的主方向
- 生成特征描述
OpenCV中SIFT算法的使用

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，然而计算机要有相同的能力却很难，所以要让计算机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的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(公式如下)：
LLL(xxx,yyy,σ\sigmaσ) = GGG(xxx,yyy,σ\sigmaσ) * III(xxx,yyy)
- G表示高斯函数
- I表示输入图像
- 通产高斯核选用3x3或5x5
高斯函数如下图所示：
- 我们可通过σ\sigmaσ的值来控制图片的模糊程度，如果σ\sigmaσ值越大，标准差越大，浮动范围也就越大，原始图像改变越明显。

多分辨率金字塔

我们在对图像进行不同的滤波操作往往是不够的，我们还需要对其进行金字塔操作。进行下采样时，高斯滤波之后图像数量需保持不变。

多分辨率金字塔DOG

高斯滤波得到的图像进行两两相减得到高斯差分金字塔如下图所示：
DOG定义公式如下：

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3×3邻域8个像素点，以及其相邻的上下两层的3×3领域18个像素点，共26个像素点进行比较。
G = DOG + 1

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。如下图所示：
利用泰勒展式可得（一般来说二阶就够了）：
对于离散点来说不太好求导，我们需要使用泰勒展式，这里只能是求得出一个近似。省略了一个Δ\DeltaΔ。通过f’(x)=0可以求得真正的极值点。
当然通过举这个例子就是通俗地讲了一下DOG这样的方法，而真正公式是个三维的，要比这复杂很多，如下所示：

消除边界响应

使用高斯滤波进行操作之后可能会增加一些边界响应，此时我们需要消除边界响应。
海塞矩阵
如果两个特征值的比值γ\gammaγ>10则特征点被消除

SIFT算法特征点

特征点的主方向

每个特征点可以得到三个信息(x,y,σ,θ)，即位置、尺度和方向。具有多个方向的关键点可以被复制成多份，然后将方向值分别赋给复制后的特征点，一个特征点就产生了多个坐标、尺度相等，但是方向不同的特征点。

生成特征描述

在完成关键点的梯度计算后，使用直方图统计邻域内像素的梯度和方向。
为了保证特征矢量的旋转不变性，要以特征点为中心，在附近邻域内将坐标轴旋转θ角度，即将坐标轴旋转为特征点的主方向。公式如下：
旋转之后的主方向为中心取8x8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4x4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，即每个特征的由4个种子点组成，每个种子点有8个方向的向量信息。
建议对每个关键点使用4x4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。

OpenCV中SIFT算法的使用

读取图像

import cv2
import numpy as npimg = cv2.imread('xiaohuolong.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

得到特征点

sift = cv2.xfeatures2d.SIFT_create()
kp = sift.detect(gray, None)
#绘制关键点
img = cv2.drawKeypoints(gray, kp, img)cv2.imshow('drawKeypoints', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

计算特征

kp, des = sift.compute(gray, kp)
print (np.array(kp).shape)
(187,)
des.shape
#默认128维
(187, 128)
des[0]
array([ 30.,   5.,   0.,  11.,  10.,   4.,   0.,  24.,  20.,   3.,   0.,1.,   0.,   0.,   5.,  70.,   1.,   0.,   0.,   1.,   0.,   0.,31., 160.,   1.,   0.,   0.,   0.,   0.,   0.,  38., 158.,  18.,0.,   0.,   4.,   0.,   0.,   4.,  59., 160.,   3.,   0.,   0.,0.,   0.,   4., 160.,  52.,   1.,   0.,   0.,   0.,   0.,  21.,160.,   0.,   0.,   0.,   0.,   0.,   0.,  10.,  42.,  17.,   3.,0.,   0.,   0.,   1.,   3.,   9., 160.,  64.,   0.,   0.,   0.,0.,   0.,  25., 160.,  29.,   0.,   0.,   0.,   0.,   1.,  23.,0.,   0.,   0.,   0.,   0.,   0.,   1.,   1.,   5.,   2.,   0.,0.,   0.,   1.,   1.,   0., 160.,  69.,   0.,   0.,   0.,   0.,0.,   2., 160.,  45.,   0.,   0.,   0.,   0.,   0.,   1.,   2.,0.,   0.,   0.,   0.,   0.,   0.,   0.], dtype=float32)

OpenCV图像特征SIFT相关推荐

Opencv图像特征点提取(
目录特征点分类 1 ORB ①特征点检测 ②计算特征描述 2 SIFT 1 SIFT特征检测的步骤 ①.在DOG尺度空间中获取极值点,即关键点. ②.特征点方向估计 ③生成特征描述 ④.代码实现 3 ...
opencv图像特征之尺寸不变特性+算法对比总结
文章目录 1.引入SIFT 2.opencv中的SIFT 3.引入SURF 4.opencv中的SURF 5.引入FAST算法 6.opencv中的FAST算法 7.引入BRIEF 8.opencv中 ...
Opencv图像特征
唐宇迪老师Opencv课程笔记图像特征 harris角点检测基本原理 cv2.cornerHarris() Scale Invariant Feature Transform(SIFT) 图像尺度 ...
OpenCV图像特征匹配
文章目录 Brute-Force暴力匹配随机抽样一致算法 Brute-Force暴力匹配我们准备两张图像,我们想知道图像中有哪些关键点是比较类似的.需要对两张图像的特征点进行匹配.暴力匹配就是对两 ...
图像特征点—SIFT特征点
图像特征点-SIFT特征点关于SIFT特征点,以下三篇博客说的非常详细,再次不再赘述. https://mp.weixin.qq.com/s/XVB88f119gRqpwTTRvTyrA https ...
【OpenCV应用】python处理行李图像匹配项目——图像特征点
OpenCV--图像角点检测应用记录图像特征 Harris角点检测 Shi-Tomasi 角点检测 SIFT (尺度不变特征变换)原理 SURF (加速鲁棒性特征)原理 FAST角点检测 BRIEF ...
OpenCV + CPP 系列（卌二）图像特征匹配（ KAZE/AKAZE）
文章目录一.KAZE简介二.代码演示特征检测效果对比演示匹配一.KAZE简介 ECCV2012中出现了一种比SIFT更稳定的特征检测算法KAZE ([1]).KAZE的取名是为了纪念尺度空间 ...
OPENCV学习笔记 - SIFT 尺度不变特征变换 Python
OPENCV学习笔记 - SIFT 尺度不变特征变换 Python 为什么我们需要SIFT尺度不变特征变换? 第一,建立高斯差分金字塔第二,极值点的精确定位第三,确定关键点的主方向第四,构建关键 ...
结合openCV学习DIP之传统图像特征与匹配
前言关于图像的预处理部分参考结合opencv学习DIP 概述该笔记主要是基于DIP理论➕openCV实现,学习该笔记首先要确保通读DIP理论,并由自己的话描述相关知识,并且掌握o ...

OpenCV图像特征SIFT

文章目录

图像尺度空间

多分辨率金字塔

多分辨率金字塔DOG

DoG空间极值检测

关键点的精确定位

消除边界响应

SIFT算法特征点

特征点的主方向

生成特征描述

OpenCV中SIFT算法的使用

OpenCV图像特征SIFT相关推荐

最新文章

热门文章