目錄

• • • 一、SIFT算法
    • • • • DOG尺度空間構(gòu)造（Difference of Gaussian）
          • 關鍵點搜索與定位
          • 方向賦值、關鍵點描述
    • 二、特征匹配

一、SIFT算法

參考鏈接 【OpenCV】SIFT原理與源碼分析

DOG尺度空間構(gòu)造（Difference of Gaussian）

首先是對原特征圖下采樣可以得到金字塔形狀的多分辨率空間，作為特征金字塔，該特征金字塔可以方便提取出不同尺度的特征（感覺這里也可以叫多尺度空間）

多尺度空間：利用高斯核對圖像進行卷積操作，不同的高斯核參數(shù)$\sigma$對應不同的形狀，相當于多尺度空間。利用高斯核對圖像做卷積操作就是高斯模糊，卷積和形狀越矮越扁，模糊程度就越大。關鍵特征在不斷模糊的過程中相對其他位置應該是更容易保留下來的，因此在后面對特征圖做差時可以形成極值點。

分別對每層特征金字塔中的特征圖，用不同的高斯核進行卷積操作，就得到了高斯特征金字塔，再對相鄰的兩層作差，進一步得到DOG金字塔

關鍵點搜索與定位

關鍵特征在不同的高斯模糊下更容易保留，在DOG特征圖中表現(xiàn)為極值點。
關鍵點搜索：也比較復雜

提高定位精度：曲線擬合

方向賦值、關鍵點描述

方向賦值與與關鍵點描述，與HOG特征類似，需要計算每個點的梯度，計算梯度直方圖，最后得到的特征向量。

二、特征匹配

Feature Matching + Homography to find Objects
SIFT圖像匹配及其python實現(xiàn)

對兩個簡單圖像進行特征匹配，并利用隨機抽樣一致（RANSAC）濾除錯誤匹配


Python 代碼

img = cv2.imread('./rl2_s.png') img2 = cv2.imread('./rl_s.png') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)# # SURF或SIFT特征 # sift = cv2.xfeatures2d.SIFT_create() surf = cv2.xfeatures2d.SURF_create(400) # surf.setExtended(True) kp1, des1 = surf.detectAndCompute(gray, mask=None) kp2, des2 = surf.detectAndCompute(gray2, mask=None)anot1 = cv2.drawKeypoints(gray, kp1, None) anot2 = cv2.drawKeypoints(gray2, kp2, None) plt.subplot(121) plt.imshow(anot1) plt.subplot(122) plt.imshow(anot2)# # MATCH matcher = cv2.BFMatcher() raw_matches = matcher.knnMatch(des1, des2, k=2) good_matches = [] for m1, m2 in raw_matches:# 如果最接近和次接近的比值大于一個既定的值，那么我們保留這個最接近的值，認為它和其匹配的點為good_matchif m1.distance < 0.85 * m2.distance:good_matches.append([m1]) # good_matches = sorted(raw_matches, key=lambda x: x[0].distance)[:300]# # RANSAC assert len(good_matches) > 4, "Too few matches." kp1_array = np.float32([kp1[m[0].queryIdx].pt for m in good_matches]).reshape(-1, 1, 2) kp2_array = np.float32([kp2[m[0].trainIdx].pt for m in good_matches]).reshape(-1, 1, 2) H, status = cv2.findHomography(kp1_array, kp2_array, cv2.RANSAC, ransacReprojThreshold=4) good_matches = [good_matches[i] for i in range(len(good_matches)) if status[i] == 1] imgOut = cv2.warpPerspective(gray2, H, (gray.shape[1], gray.shape[0]), flags=cv2.INTER_LINEAR + cv2.WARP_INVERSE_MAP) print(H) # 變換矩陣H，透視變換？ # plt.figure() # plt.imshow(imgOut) # cv2.findFundamentalMat() # 用于3Dmatches = cv2.drawMatchesKnn(anot1, kp1, anot2, kp2, good_matches, None, flags = 2)plt.figure() plt.imshow(matches)plt.show()

總結(jié)

以上是生活随笔為你收集整理的SIFT算法 特征匹配的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。