生活随笔
收集整理的這篇文章主要介紹了
SIFT原理与源码分析
小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.
SIFT簡介
Scale Invariant Feature Transform，尺度不變特征變換匹配算法，是由David G. Lowe在1999年（《Object Recognition from Local Scale-Invariant Features》）提出的高效區(qū)域檢測算法，在2004年（《Distinctive Image Features from Scale-Invariant Keypoints》）得以完善。
SIFT特征對旋轉、尺度縮放、亮度變化等保持不變性，是非常穩(wěn)定的局部特征，現(xiàn)在應用很廣泛。而SIFT算法是將Blob檢測，特征矢量生成，特征匹配搜索等步驟結合在一起優(yōu)化。我會更新一系列文章，分析SIFT算法原理及OpenCV 2.4.2實現(xiàn)的SIFT源碼：
DoG尺度空間構造（Scale-space extrema detection） 關鍵點搜索與定位（Keypoint localization） 方向賦值（Orientation assignment） 關鍵點描述（Keypoint descriptor） OpenCV實現(xiàn)：特征檢測器FeatureDetector SIFT中LoG和DoG的比較
OpenCV2.3之后實現(xiàn)了SIFT的代碼，2.4改掉了一些bug。本系列文章主要分析OpenCV 2.4.2SIFT函數(shù)源碼。
SIFT位于OpenCV nonfree的模塊，David G. Lowe申請了算法的版權，請尊重作者權力，務必在允許范圍內(nèi)使用。
SIFT in OpenCV
OpenCV中的SIFT函數(shù)主要有兩個接口。
構造函數(shù)：
[cpp] ?view plaincopy
SIFT::SIFT( int ?nfeatures=0,? int ?nOctaveLayers=3,? double ?contrastThreshold=0.04,? double ?edgeThreshold=?? 10,?double ?sigma=1.6)?? nfeatures： 特征點數(shù)目（算法對檢測出的特征點排名，返回最好的nfeatures個特征點）。
nOctaveLayers： 金字塔中每組的層數(shù)（算法中會自己計算這個值，后面會介紹）。
contrastThreshold： 過濾掉較差的特征點的對閾值。contrastThreshold越大，返回的特征點越少。
edgeThreshold： 過濾掉邊緣效應的閾值。edgeThreshold越大，特征點越多（被多濾掉的越少）。
sigma： 金字塔第0層圖像高斯濾波系數(shù)，也就是σ。
重載操作符：
[cpp] ?view plaincopy
void ?SIFT::operator()(InputArray?img,?InputArray?mask,?vector<KeyPoint>&?keypoints,?OutputArray?? descriptors,?bool ?useProvidedKeypoints= false )?? img： 8bit灰度圖像
mask： 圖像檢測區(qū)域（可選）
keypoints： 特征向量矩陣
descipotors： 特征點描述的輸出向量（如果不需要輸出，需要傳cv::noArray()）。
useProvidedKeypoints： 是否進行特征點檢測。ture，則檢測特征點；false，只計算圖像特征描述。
函數(shù)源碼
構造函數(shù)SIFT()主要用來初始化參數(shù)，并沒有特定的操作：
[cpp] ?view plaincopy
SIFT::SIFT(? int ?_nfeatures,? int ?_nOctaveLayers,?? ???????????double ?_contrastThreshold,? double ?_edgeThreshold,? double ?_sigma?)?? ????:?nfeatures(_nfeatures),?nOctaveLayers(_nOctaveLayers),?? ????contrastThreshold(_contrastThreshold),?edgeThreshold(_edgeThreshold),?sigma(_sigma)?? ?????? ?????? {?? }?? 主要操作還是利用重載操作符()來執(zhí)行：
[cpp] ?view plaincopy
void ?SIFT::operator()(InputArray?_image,?InputArray?_mask,?? ??????????????????????vector<KeyPoint>&?keypoints,?? ??????????????????????OutputArray?_descriptors,?? ??????????????????????bool ?useProvidedKeypoints)? const ?? ?? ?? ?? ?? ?? {?? ????Mat?image?=?_image.getMat(),?mask?=?_mask.getMat();?? ?? ????if (?image.empty()?||?image.depth()?!=?CV_8U?)?? ????????CV_Error(?CV_StsBadArg,?"image?is?empty?or?has?incorrect?depth?(!=CV_8U)" ?);?? ?? ????if (?!mask.empty()?&&?mask.type()?!=?CV_8UC1?)?? ????????CV_Error(?CV_StsBadArg,?"mask?has?incorrect?type?(!=CV_8UC1)" ?);?? ?? ?????????? ?????? ????Mat?base?=?createInitialImage(image,?false ,?( float )sigma);?? ????vector<Mat>?gpyr,?dogpyr;?? ?????? ????int ?nOctaves?=?cvRound(log(?( double )std::min(?base.cols,?base.rows?)?)?/?log(2.)?-?2);?? ?? ?????? ?????? ?????? ?????? ????buildGaussianPyramid(base,?gpyr,?nOctaves);?? ?????? ????buildDoGPyramid(gpyr,?dogpyr);?? ?? ?????? ?????? ?????? ?????? ?????? ????if (?!useProvidedKeypoints?)?? ????{?? ?????????? ????????findScaleSpaceExtrema(gpyr,?dogpyr,?keypoints);?? ?????????? ????????KeyPointsFilter::removeDuplicated(?keypoints?);??? ?? ?????????? ????????if (?!mask.empty()?)?? ????????????KeyPointsFilter::runByPixelsMask(?keypoints,?mask?);?? ?? ?????????? ????????if (?nfeatures?>?0?)?? ????????????KeyPointsFilter::retainBest(keypoints,?nfeatures);?? ?????????? ?????????? ????}?? ????else ?? ????{?? ?????????? ?????????? ????}?? ?? ?????? ????if (?_descriptors.needed()?)?? ????{?? ?????????? ????????int ?dsize?=?descriptorSize();?? ????????_descriptors.create((int )keypoints.size(),?dsize,?CV_32F);?? ????????Mat?descriptors?=?_descriptors.getMat();?? ?? ????????calcDescriptors(gpyr,?keypoints,?descriptors,?nOctaveLayers);?? ?????????? ?????????? ????}?? }?? 函數(shù)中用到的構造金字塔：?buildGaussianPyramid(base, gpyr, nOctaves);等步驟請參見文章后續(xù)系列。
（轉載請注明作者和出處：http://blog.csdn.net/xiaowei_cqu?未經(jīng)允許請勿用于商業(yè)用途）
總結
以上是生活随笔 為你收集整理的SIFT原理与源码分析 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。
