0、关于SIFT的介绍

SIFT，即尺度不变特征变换，一种局部特征描述子，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。SIFT特征包括兴趣点检测器和描述子。SIFT描述子具有非常强的稳健性，这在很大程度上也是SIFT特征能够成功和流行的主要原因。自从SIFT出现后，许多与他本质上使用相同描述子的方法也相继出现。现在，SIFT描述符常和许多不同的兴趣点检测器相结合，有时甚至在整幅图像上密集使用。SIFT特征对于尺度、旋转和亮度都具有不变性，因此，它可以用于三维视角和噪声的可靠匹配。

1、兴趣点

高斯核是唯一可以产生多尺度空间的核函数——《Scale-space theory：A basic tool for analysing structures at different scales》

SIFT是采用高斯差分函数来定位兴趣点：

其中：

sigma为尺度空间因子，它决定了图像的模糊的程度。大尺度表现得是图像得概貌信息，小尺度表现得是图像得细节信息。

是指二维的高斯核，也就是大家对于它应该还是比较熟悉吧；

是使用模糊的灰度图像；

k是决定相差尺度的常数。

兴趣点是在图像位置和尺度变化下 D(x,σ) 的最大值和最小值点。这些候选位置点通过滤波去除不稳定点。基于一些准则，比如认为低对比度和位于边上的点不是兴趣点，这样可以去除一些候选的兴趣点。

2、描述子

上面讨论的兴趣点（关键点）位置描述子给出了兴趣点的位置和尺度信息。为了实现旋转不变性，基于每个点周围图像梯度的方向和大小，SIFT 描述子又引入了参考方向。SIFT 描述子使用主方向描述参考方向。主方向使用方向直方图（以大小为权重）来度量。

下面我们基于位置、尺度和方向信息来计算描述子。为了对图像亮度具有稳健性，SIFT 描述子使用图像梯度。下图所示为描述子的构造过程。

SIFT描述子会以每个像素点附近选取一个网格（标准为4*4），在每个子区域当中计算梯度方向直方图，每个子区域拼接起来组成描述子向量，而每个子区域的直方图拼接起来组成描述子向量，每个子区域使用 8 个小区间的方向直方图，会产生共128 个小区间的直方图（4×4×8=128）。

图解：

(a) 一个围绕兴趣点的网格结构，其中该网格已经按照梯度主方向进行旋转

(b) 在网格的一个子区域内构造梯度方向的8-bin直方图

(c) 在网格的每个子区域内提取直方图

(d) 拼接直方图，得到一个长的特征向量

SIFT算法实现

1.实例化sift

sift = cv2.xfeatures2d.SIFT_create()

2.利用sift.detectAndCompute()检测关键点并计算

kq, dst = sift.detectAndCompute(gray, None)

参数:

gray:进行关键点检测的图像，注意要是灰度图像

kp:关键点信息，包括位置，尺度，方向信息
des:关键点描述符，每个关键点对应128个梯度信息的特征向量

3.将关键点检测结果绘制在图像上

cv2.drawKeypoints(pic2, kq, pic2, (0, 0, 255),

参数：

image:原始图像

keypoints:关键点信息，将其绘制在图像上

outputimage:输出图片，可以是原始图像

color:颜色设置，通过修改（b,g,r）的值，更改画笔的颜色，b=蓝色，g=绿色，r=红色。

flags:绘图功能的标识设置

cv2.DRAW_MATCHES_FLAGS_DEFAULT:创建输出图像矩阵，使用现存的输出图像匹配对和特征点，对每一个关键点，对每一个关键点只绘制中间点.
cv2.DRAW_MATCHES_FLAGS_DRAW_OVER_OUTIMG:不创建输出图像矩阵，而是在输出图像上绘制匹配对。
cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS:对每一个特征点绘制带大小和方向的关键点图形。
cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS:单点的特征点不被绘制。

Opencv实现


  
   
    
     
    
    
     
      import cv2
     
    
   
    
     
    
    
     
      import matplotlib.pyplot 
      as plt
     
    
   
    
     
    
    
      
     
    
   
    
     
    
    
     
      # 1.读取灰度图像
     
    
   
    
     
    
    
     
      pic1 = cv2.imread(
      "Elon test.png")
     
    
   
    
     
    
    
     
      gray = cv2.cvtColor(pic1, cv2.COLOR_BGR2GRAY)
     
    
   
    
     
    
    
     
      # 2.SIFT实例化
     
    
   
    
     
    
    
     
      sift = cv2.xfeatures2d.SIFT_create()
     
    
   
    
     
    
    
     
      # 3.检测关键点
     
    
   
    
     
    
    
     
      kq, dst = sift.detectAndCompute(gray, 
      None)
     
    
   
    
     
    
    
     
      # 4.绘制关键点
     
    
   
    
     
    
    
     
      pic2 = pic1.copy()
     
    
   
    
     
    
    
     
      cv2.drawKeypoints(pic2, kq, pic2, (
      0, 
      0, 
      255),
     
    
   
    
     
    
    
     
                       cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)  
      # flags=4可以替换cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS
     
    
   
    
     
    
    
     
      # 绘制图像
     
    
   
    
     
    
    
     
      fig, axes = plt.subplots(nrows=
      2, ncols=
      2, figsize=(
      10, 
      10))
     
    
   
    
     
    
    
     
      axes[
      0, 
      0].set_title(
      "original")
     
    
   
    
     
    
    
     
      axes[
      0, 
      0].imshow(pic1[:, :, ::-
      1])
     
    
   
    
     
    
    
     
      axes[
      0, 
      1].set_title(
      "gary_scale")
     
    
   
    
     
    
    
     
      axes[
      0, 
      1].imshow(gray, plt.cm.gray)
     
    
   
    
     
    
    
     
      axes[
      1, 
      1].set_title(
      "SIFT_feature_detect")
     
    
   
    
     
    
    
     
      axes[
      1, 
      1].imshow(pic2[:, :, ::-
      1])
     
    
   
    
     
    
    
     
      plt.show()
     
    
   
    
     
    
    
     
      cv2.waitKey(
      0)