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(duì)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(jué)這里也可以叫多尺度空間）

多尺度空間：利用高斯核對(duì)圖像進(jìn)行卷積操作，不同的高斯核參數(shù)$\sigma$對(duì)應(yīng)不同的形狀，相當(dāng)于多尺度空間。利用高斯核對(duì)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(guān)鍵特征在不斷模糊的過(guò)程中相對(duì)其他位置應(yīng)該是更容易保留下來(lái)的，因此在后面對(duì)特征圖做差時(shí)可以形成極值點(diǎn)。

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

關(guān)鍵點(diǎn)搜索與定位

關(guān)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(diǎn)。
關(guān)鍵點(diǎn)搜索：也比較復(fù)雜

提高定位精度：曲線擬合

方向賦值、關(guān)鍵點(diǎn)描述

方向賦值與與關(guān)鍵點(diǎn)描述，與HOG特征類似，需要計(jì)算每個(gè)點(diǎn)的梯度，計(jì)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(shí)現(xiàn)

對(duì)兩個(gè)簡(jiǎn)單圖像進(jìn)行特征匹配，并利用隨機(jī)抽樣一致（RANSAC）濾除錯(cuò)誤匹配


Python 代碼文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-444978.html

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(gè)既定的值，那么我們保留這個(gè)最接近的值，認(rèn)為它和其匹配的點(diǎn)為good_match
    if 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3D

matches = cv2.drawMatchesKnn(anot1, kp1, anot2, kp2, good_matches, None, flags = 2)

plt.figure()
plt.imshow(matches)

plt.show()

到了這里，關(guān)于SIFT算法 特征匹配的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！