此opencv系列部落格只是為了記錄本人對<<opencv3計算機視覺-pyhton語言實現>>的學習筆記,所有程式碼在我的github主頁https://github.com/RenDong3/OpenCV_Notes.

歡迎star,不定時更新...

上一節中,我們介紹了Harris角點檢測。角點在影象旋轉的情況下也可以檢測到，但是如果減小(或者增加)影象的大小，可能會丟失影象的某些部分，甚至導致檢測到的角點發生改變。這樣的損失現象需要一種與影象比例無關的角點檢測方法來解決。尺度不變特徵變換(Scale-Invariant Feature Transform,SIFT)可以解決這個問題

到底什麼是SIFT演算法？通俗一點說，SIFT演算法利用DoG(差分高斯)來提取關鍵點(或者說成特徵點)，DoG的思想是用不同的尺度空間因子(高斯正態分佈的標準差σσ)對影象進行平滑，然後比較平滑後圖像的區別，差別大的畫素就是特徵明顯的點，即可能是特徵點。對得到的所有特徵點，我們剔除一些不好的，SIFT運算元會把剩下的每個特徵點用一個128維的特徵向量進行描述。

由上，易知，一幅影象經過SIFT演算法後可以表示為一個128維的特徵向量集。

SIFT具有一下特徵：

• SIFT特徵，對旋轉、尺度縮放、亮度變化等保持不變性，對視角變換、仿射變化、噪聲也保持一定程度的穩定性，是一種非常優秀的區域性特徵描述演算法；
• 獨特性好，資訊量豐富，適用於海量特徵庫進行快速、準確的匹配；
• 多量性，即使是很少幾個物體也可以產生大量的SIFT特徵；
• 高速性，經優化的SIFT匹配演算法甚至可以達到實時性的要求；
• 擴充套件性，可以很方便的與其他的特徵向量進行聯合。

一 使用DoG和SIFT進行特徵提取和描述

我們先用OpenCV庫函式演示一下DoG和SIFT特徵提取的效果,然後再來講述一下SIFT的原理。

我們先來介紹一下Different of Gaussians(DoG)，DoG是對同一圖象使用不同高斯濾波器作差所得到的結果。DoG操作的最終結果會得到感興趣的區域(關鍵點)，這將通過SIFT來進行特徵描述。

我們來看看如何通過SIFT得到充滿角點和特徵的影象：

# -*- coding:utf-8 -*-
import os
import cv2
import numpy as np

'''
        created on 08:05:10 2018-11-20
        @author ren_dong

        使用DoG和SIFT進行特徵提取和描述

        cv2.SIFT.detectAndCompute(image, mask[, descriptors[, useProvidedKeypoints]]) → keypoints, descriptors
        
        cv2.drawKeypoints(image, keypoints[, outImage[, color[, flags]]]) → outImage
        
        首先建立了一個SIFT物件，SIFT物件會使用DoG檢測關鍵點，並且對每個關鍵點周圍區域計算特徵向量。
        detectAndCompute()函式會返回關鍵點資訊(每一個元素都是一個物件，有興趣的可以看一下OpenCV原始碼)和關鍵點的描述符。
        然後，我們在影象上繪製關鍵點，並顯示出來。

'''
img = cv2.imread('chess.jpg')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#建立sift物件
sift = cv2.xfeatures2d.SIFT_create()

#進行檢測和計算  返回特徵點資訊和描述符
keypoints , descriptor = sift.detectAndCompute(gray, None)
#keypoints：特徵點集合list，向量內每一個元素是一個KeyPoint物件，包含了特徵點的各種屬性資訊；



#繪製關鍵點
img = cv2.drawKeypoints(img, keypoints=keypoints, outImage=img, color= (51, 163, 236), flags= cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

#sift得到的影象為128維的特徵向量集

print len(keypoints)
print descriptor.shape

cv2.imshow('sift_keypoints',img)
cv2.waitKey()
cv2.destroyAllWindows()

我們首先建立了一個SIFT物件，SIFT物件會使用DoG檢測關鍵點，並且對每個關鍵點周圍區域計算特徵向量。detectAndCompute()函式會返回關鍵點資訊(每一個元素都是一個物件，有興趣的可以看一下OpenCV原始碼)和關鍵點的描述符。然後，我們在影象上繪製關鍵點，並顯示出來。

 上面我們用到了一個函式，下面來介紹一下：

 引數描述：

image：原始影象，可以使三通道或單通道影象；

keypoints：特徵點集合list，向量內每一個元素是一個KeyPoint物件，包含了特徵點的各種屬性資訊；

outImage：特徵點繪製的畫布影象，可以是原影象；

color：顏色設定，繪製的特徵點的顏色資訊，預設繪製的是隨機彩色；

flags：特徵點的繪製模式，其實就是設定特徵點的哪些資訊需要繪製，哪些不需要繪製，有以下幾種模式可選：

•  cv2.DRAW_MATCHES_FLAGS_DEFAULT：建立輸出影象矩陣，使用現存的輸出影象繪製匹配對和特徵點，對每一個關鍵點只繪製中間點；
• cv2.DRAW_MATCHES_FLAGS_DRAW_OVER_OUTIMG：不建立輸出影象矩陣，而是在輸出影象上繪製匹配對；
• cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS：對每一個特徵點繪製帶大小和方向的關鍵點圖形；
• cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS：單點的特徵點不被繪製；

我們傳入了DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS標誌位，表明對影象每個關鍵點都繪製圓圈(大小)和方向。

總結下就是SIFT演算法利用DOG進行特徵點檢測,然後對每個關鍵點周圍的區域計算特徵向量.解決了Harris角點檢測的尺度變化影響問題.

這裡並沒有對SIFT演算法的原理進行詳細介紹,對此感興趣的同學可以去大神的部落格瀏覽觀看,裡面講的非常詳細,下面給上鍊接: