提示：文章寫完后，目錄可以自動生成，如何生成可參考右邊的幫助文檔

文章目錄

• 前言
• 一、SIFT算法特點
• 二、SIFT算法實質
• 三、SIFT算法實現特征匹配主要有以下流程：
• • 1、**特征點位置和尺度的提取**：
  • 2、**特征點方向的提取**
  • 3、**特征提取匯總**
  • 4、**特征描述**
  • 4、**特征匹配**
• 四、提取關鍵點可視化
• 五、匹配地理標記圖像
• • 1.源碼
  • 2.運行結果
• 總結

---

前言

SIFT，即尺度不變特征變換（Scale-invariant feature transform，SIFT），是用于圖像處理領域的一種描述。這種描述具有尺度不變性，可在圖像中檢測出關鍵點，是一種局部特征描述子。

---

一、SIFT算法特點

1、具有較好的穩定性和不變性，能夠適應旋轉、尺度縮放、亮度的變化，能在一定程度上不受視角變化、仿射變換、噪聲的干擾。
2、區分性好，能夠在海量特征數據庫中進行快速準確的區分信息進行匹配
3、多量性，就算只有單個物體，也能產生大量特征向量
4、高速性，能夠快速的進行特征向量匹配
5、可擴展性，能夠與其它形式的特征向量進行聯合

二、SIFT算法實質

在不同的尺度空間上查找關鍵點，并計算出關鍵點的方向。

三、SIFT算法實現特征匹配主要有以下流程：

1、特征點位置和尺度的提取：

在 特征提取 步驟下，其主要應用了圖像金字塔 和 圖像尺度空間
1.圖像金字塔
將圖像經過一系列的降采樣，不同大小的圖片其空間形狀像是金字塔，因此得名。
2. 圖像尺度空間
將圖像經過不同尺度（σ）的高斯卷積算子，進而得到不同高斯尺度（σ）下的圖像

具體步驟如下：
1.將相同size的相鄰高斯尺度之間的灰度圖像進行減法運算，進而得到高斯差分圖像。可以看得出其邊緣特征比較明顯。
2.然后在高斯差分圖像上檢測特征點。

• 假若一個像素點比其 周圍8個點 + 相鄰兩個高斯差分圖像上對應的18個點 的像素值（共26個）都大或都小，則該點為特征點。
• 該特征點的尺度信息來自于 1. 檢測出特征點所在的高斯差分圖像，其圖像的與原圖的長寬比例 2. 檢測出特征點所在的高斯差分圖像的高斯尺度

2、特征點方向的提取

選擇好特征點之后，還需要提取出特征點特方向信息。在特征點所在的 系數*高斯尺度（σ）為長寬的正方形區域內，求像素點之間梯度變化的方向。
將方向劃分到以45°為間隔的8個方向內 進行統計， 最多的方向則為該特征點的主方向

3、特征提取匯總

SIFT算法 有了特征點的位置、尺度、方向三個信息，之后再依據尺度、方向對特征點進行描述，則特征點的特征向量將具有尺度不變性和旋轉不變性。

4、特征描述

依據尺度、方向對特征點進行描述。

尺度信息體現在特征點的描述區域范圍，是系數*尺度

方向信息：

以特征點的主方向作為特征描述的X軸，在其坐標系的四個象限上分別劃出2*2個小格子，每個小格子分別對格子中的灰度變化方向進行統計。

每個小格子統計出來一個按照8個方向劃分，8個方向的數量 歸一化后的結果，成為一個8維的向量。

一共4個象限即44個小格子， 44*8=128， 最終SIFT的特征點將用128維向量表示。

（如果主方向為45°的倍數，按其作為主方向去描述后，有些位置的灰度值和方向需要通過插值得到）

4、特征匹配

考慮到特征向量中的元素為浮點數，向量之間的距離計算采用歐式距離進行計算。

當距離小于某一閾值時，認為兩個特征點匹配上了，即匹配成功。

四、提取關鍵點可視化

from numpy import loadtxt, array, concatenate, zeros, dot, arccosfrom numpy.linalg import linalg from pylab import * from PIL import Image from numpy import * import os from numpy import loadtxt, arange, cos, sin, pidef process_image(imagename, resultname, params="--edge-thresh 10 --peak-thresh 5"):"""處理一幅圖像，然后將結果保存在文件中"""if imagename[-3:] != 'pgm':# 創建一個pgm文件im = Image.open(imagename).convert('L')im.save('tmp.pgm')imagename = 'tmp.pgm'cmmd = str("C:/Users/Administrator/Desktop/vlfeat-0.9.20-bin/vlfeat-0.9.20/bin/win64/sift.exe " + imagename + " --output=" + resultname + " " + params)os.system(cmmd)print('processed', imagename, 'to', resultname)def read_features_from_file(filename):"""讀取特征值屬性值，然后將其以矩陣形式返回"""f = loadtxt(filename)return f[:, :4], f[:, 4:] # 特征位置，描述子def plot_features(im, locs, circle=False):"""顯示帶有特征的圖像輸入：im（數組圖像），locs（每個特征的行、列、尺度和方向角度）"""def draw_circle(c,r):t = arange(0,1.01,.01)*2*pix = r*cos(t) + c[0]y = r*sin(t) + c[1]plot(x,y,'b',linewidth=2)imshow(im)if circle:for p in locs:draw_circle(p[:2],p[2])else:plot(locs[:,0],locs[:,1],'ob')axis('off')returndef match(desc1, desc2):"""對于第一幅圖像的每個描述子，選取其在第二幅圖像中的匹配輸入：desc1（第一幅圖像中的描述子），desc2（第二幅圖像中的描述子）"""desc1 = array([d/linalg.norm(d) for d in desc1])desc2 = array([d/linalg.norm(d) for d in desc2])dist_ratio = 0.6desc1_size = desc1.shapematchscores = zeros((desc1_size[0],1), 'int')desc2t = desc2.T #預先計算矩陣轉置for i in range(desc1_size[0]):dotprods = dot(desc1[i,:], desc2t) #向量點乘dotprods = 0.9999*dotprods# 反余弦和反排序，返回第二幅圖像中特征的索引index = argsort(arccos(dotprods))# 檢查最近鄰的角度是否小于dist_ratio乘以第二近鄰的角度if arccos(dotprods)[index[0]] < dist_ratio * arccos(dotprods)[index[1]]:matchscores[i] = int(index[0])return matchscoresdef match_twosided(desc1,decs2):"""雙向對稱版本的match"""matches_12 = match(desc1, decs2)matches_21 = match(decs2, decs2)ndx_12 = matches_12.nonzero()[0]# 去除不對稱匹配for n in ndx_12:if matches_21[int(matches_12[n])] != n:matches_12[n] = 0return matches_12def appendimages(im1, im2):"""返回將兩幅圖像并排拼接成的一幅新圖像"""# 選取具有最少行數的圖像，然后填充足夠的空行row1 = im1.shape[0]row2 = im2.shape[0]if row1 < row2:im1 = concatenate((im1,zeros((row2-row1,im1.shape[1]))), axis=0)elif row1 > row2:im2 = concatenate((im2,zeros((row1-row2,im2.shape[1]))), axis=0)# 如果這些情況都沒有，那么他們的行數相同，不需要進行填充return concatenate((im1,im2), axis=1)if __name__ == '__main__':imname = 'image/yankui1.jpg'im1 = array(Image.open(imname).convert('L'))process_image(imname, 'yankui1.sift')l1, d1 = read_features_from_file('image/yankui1.sift')figure()gray()plot_features(im1, l1, circle=True)show()

五、匹配地理標記圖像

1.源碼

源碼如下（示例）：

from pylab import * from PIL import Image from PCV.localdescriptors import sift from PCV.tools import imtools import pydot""" This is the example graph illustration of matching images from Figure 2-10. To download the images, see ch2_download_panoramio.py."""download_path = "./image" # set this to the path where you downloaded the panoramio images path = "./image" # path to save thumbnails (pydot needs the full system path)imlist = imtools.get_imlist(download_path) nbr_images = len(imlist)featlist = [imname[:-3] + 'sift' for imname in imlist] for i, imname in enumerate(imlist):sift.process_image(imname, featlist[i])matchscores = zeros((nbr_images, nbr_images))for i in range(nbr_images):for j in range(i, nbr_images): # only compute upper triangleprint('comparing ', imlist[i], imlist[j])l1, d1 = sift.read_features_from_file(featlist[i])l2, d2 = sift.read_features_from_file(featlist[j])matches = sift.match_twosided(d1, d2)nbr_matches = sum(matches > 0)print('number of matches = ', nbr_matches)matchscores[i, j] = nbr_matches print("The match scores is: \n", matchscores)# copy values for i in range(nbr_images):for j in range(i + 1, nbr_images): # no need to copy diagonalmatchscores[j, i] = matchscores[i, j]#可視化threshold = 2 # min number of matches needed to create linkg = pydot.Dot(graph_type='graph') # don't want the default directed graphfor i in range(nbr_images):for j in range(i + 1, nbr_images):if matchscores[i, j] > threshold:# first image in pairim = Image.open(imlist[i])im.thumbnail((100, 100))filename = path + str(i) + '.png'im.save(filename) # need temporary files of the right sizeg.add_node(pydot.Node(str(i), fontcolor='transparent', shape='rectangle', image=filename))# second image in pairim = Image.open(imlist[j])im.thumbnail((100, 100))filename = path + str(j) + '.png'im.save(filename) # need temporary files of the right sizeg.add_node(pydot.Node(str(j), fontcolor='transparent', shape='rectangle', image=filename))g.add_edge(pydot.Edge(str(i), str(j))) g.write_png('whitehouse.png')

2.運行結果

imag文件夾中放入同一場景的序列圖像（如下）：
ps：場景為集美大學陳延奎圖書館

運行后將圖像進行兩兩匹配，可視化后如圖所示：

---

總結

匹配地理標記圖像可視化的實驗結果可以看出，匹配連接的順序大致正確，

SIFT算法的優缺點：

SIFT 算法在圖片的不變特征提取領域擁有非常大的優點，但仍存在個別缺點：
實時性偏低，運行速度不快
有些情況下特征點較少
對邊緣光滑的目標圖片無法準確提取特征點等缺點
對模糊的圖片和邊緣平滑的圖片，檢測出特征點過少

參考：
SIFT算法詳解：https://blog.csdn.net/zddblog/article/details/7521424

總結

以上是生活随笔為你收集整理的计算机视觉——SIFT算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。