OpenCV——SIFT特征檢測與匹配

SIFT特征和SURF特征比較

比較項目	SIFT	SURF
尺度空間極值檢測	使用高斯濾波器，根據不同尺度的高斯差(DOG)圖像尋找局部極值	使用方形濾波器，利用海森矩陣的行列式值檢測極值，並利用積分圖加速運算
關鍵點定位	通過鄰近信息插補來定位	與SIFT類似
方向定位	通過計算關鍵點局部鄰域的方向直方圖，尋找直方圖中最大值的方向作為關鍵點的主方向	通過計算特征點周圍像素點x,y方向的哈爾小波變換，將x、y方向小波變換的和向量的最大值作為特征點方向
特征描述子	是關鍵點鄰域高斯圖像梯度方向直方圖統計結果的一種表示，是16*8=128維向量	是關鍵點鄰域2D離散小波變換響應的一種表示，是16*4=64維向量
應用中的主要區別	通常在搜索正確的特征時更加精確，當然也更加耗時	描述子大部分基於強度的差值，計算更快捷

 

SIFT特征基本介紹

SIFT(Scale-Invariant Feature Transform)特征檢測關鍵特征：

• 建立尺度空間，尋找極值

• 關鍵點定位（尋找關鍵點准確位置與刪除弱邊緣）

• 關鍵點方向指定

• 關鍵點描述子

 

---

建立尺度空間，尋找極值

工作原理

1. 構建圖像高斯金字塔，求取DOG，發現最大與最小值在每一級

2. 構建的高斯金字塔，每一層根據sigma的值不同，可以分為幾個待級，最少有4個。

---

關鍵點定位

• 我們在像素級別獲得了極值點的位置，但是更准確的值應該在亞像素位置，如何得到--這個過程稱為關鍵點（准確/精確）定位。

• 刪除弱邊緣--通過Hassian矩陣特征值實現，小於閾值自動舍棄。

---

關鍵點方向指定

• 求得每一層對應圖像的梯度，根據給定的窗口大小

• 計算每個高斯權重，sigma=scale*1.5, 0-360之間建立36個直方圖Bins

• 找最高峰對應的Bin，大於max*80%的都保留

• 這樣就實現了旋轉不變性，提高了匹配時候的穩定性

• 大約有15%的關鍵點會有多個方向

---

關鍵點描述子

• 擬合多項式插值尋找最大Peak

• 得到描述子 = 4*4*8=128

 

---

 

構造函數

cv::xfeatures2d::SIFT::create(

     int  nfeatures = 0,

     int  nOctaveLayers = 3,    --高斯金字塔乘積數

     double contrastThreshold = 0.04,    --對比度

     double edgeThreshold = 10,   --邊緣閾值，一般默認10就行

     double sigma = 1.6      

)

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

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

int main(int argc, char** argv) {
    Mat src = imread("test.jpg", IMREAD_GRAYSCALE);
    if (src.empty()) {
        printf("could not load image...\n");
        return -1;
    }
    namedWindow("input image", CV_WINDOW_AUTOSIZE);
    imshow("input image", src);

    // SIFT特征點檢測
    int minHessian = 100;
    Ptr<SIFT> detector = SIFT::create(minHessian);//和surf的區別：只是SURF→SIFT
    vector<KeyPoint> keypoints;
    detector->detect(src, keypoints, Mat());//找出關鍵點

    // 繪制關鍵點
    Mat keypoint_img;
    drawKeypoints(src, keypoints, keypoint_img, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
    imshow("KeyPoints Image", keypoint_img);

    waitKey(0);
    return 0;
}