本文介紹了python opencv之sift算法示例，分享給大家，具體如下：

目標：

學習sift算法的概念
學習在圖像中查找sift關鍵的和描述符

原理：

（原理部分自己找了不少文章，內容中有不少自己理解和整理的東西，為了方便快速理解內容和能夠快速理解原理，本文盡量不使用數(shù)學公式，僅僅使用文字來描述。本文中有很多引用別人文章的內容，僅供個人記錄使用，若有錯誤，請指正出來，萬分感謝）

之前的harris算法和shi-tomasi 算法，由于算法原理所致，具有旋轉不變性，在目標圖片發(fā)生旋轉時依然能夠獲得相同的角點。但是如果對圖像進行縮放以后，再使用之前的算法就會檢測不出來，原理用一張圖表示（圖1）：

（harris算法和shi-tomasi算法都是基于窗口中像素分布和變化的原理，在圖像放大且窗口大小不發(fā)生變化的時，窗口中的像素信息則會有很大的不同，造成無法檢測的結果）

sift特性：

1. 獨特性，也就是特征點可分辨性高，類似指紋，適合在海量數(shù)據(jù)中匹配。
2. 多量性，提供的特征多。
3. 高速性，就是速度快。
4. 可擴展，能與其他特征向量聯(lián)合使用。

sift特點：

1. 旋轉、縮放、平移不變性
2. 解決圖像仿射變換，投影變換的關鍵的匹配
3. 光照影響小
4. 目標遮擋影響小
5. 噪聲景物影響小

sift算法步驟：

1. 尺度空間極值檢測
2. 關鍵點定位
3. 關鍵點方向參數(shù)
4. 關鍵點描述符
5. 關鍵點匹配

尺度空間極值檢測：

尺度空間的個人理解：
你找一張分辨率1024×1024圖片，在電腦上觀看，十分清晰，但是圖片太大。現(xiàn)在把這圖片反正photoshop上，將分辨率改成512×512,圖片看著依然很清晰，但是不可能像1024×1024的畫面那么精細，只不過是因為人眼構造的原因，512×512圖片依然能讓你分辨出這是個什么東西。

粗俗點說，尺度空間，就相當于一個圖片需要獲得多少分辨率的量級。如果把一個圖片從原始分辨率到，不停的對其分辨率進行減少，然后將這些圖片摞在一起，可以看成一個四棱錐的樣式，這個東西就叫做圖像金字塔（如下圖，圖2）。

再回到尺度空間，在攝像頭中，計算機無法分辨一個景物的尺度信息。而人眼不同，除了人大腦里已經對物體有了基本的概念（例如正常人在十幾米外看到蘋果，和在近距離看到蘋果，都能認出是蘋果）以外，人眼在距離物體近時，能夠獲得物體足夠多的特性，在距離物體遠時，能夠或略細節(jié)，例如，近距離看一個人臉能看到毛孔，距離遠了看不到毛孔等等。

在圖片信息當中，分辨率都是固定的，要想得到類似人眼的效果，就要把圖片弄成不同的分辨率，制作成圖像金字塔來模擬人眼的功能，從而在其他圖片中進行特征識別時，能夠像人眼睛一樣，即使要識別的物體尺寸變大或者變小，也能夠識別出來！

從圖1可以看出，如果如果圖像變大，窗口大小還是以前的大小，則無法正確檢測出角點。那么很自然的就能想到，如果圖片變大，咱們把窗口也放大不就行了？ 這就需要上面提到的尺度空間發(fā)揮作用。

在sift當中，利用了一個叫做高斯核的方程來構建尺度空間，原因是高斯核函數(shù)是唯一多尺度空間的核。聽起來比較晦澀，個人理解為：

高斯核函數(shù)在之前的高斯濾波當中使用過，其原理就是利用高斯分布的特性，在以某一個點為中心要進行以某一個窗口大小進行模糊的操作。那么，根據(jù)濾波的原理，距離中心像素點位置的距離越遠的像素點，需要“模糊化效果”的值就應該越少。那么這個距離值的分配方法，就是利用滿足高斯核函數(shù)的分配方法，由中心，到四周，符合高斯核函數(shù)的“鐘型”曲線（從二維上看）。

那么尺度空間中的高斯核也可以這么理解，高斯核函數(shù)的參數(shù)有三個g(x,y,σ) ，在濾波當中，第三個參數(shù)σ在運算中是固定的一個值。而在尺度空間的構造當中，所謂的“尺度”，就是這個σ值變化，而x和y表示像素坐標。σ的值越小，圖像被平滑（被模糊）的越少，尺度也越小。所以，大尺度圖片可以對應成一個圖像離遠處觀看，是個大致輪廓，小尺度圖片可以對應成離近處觀看，有更多細節(jié)。

構建尺度空間的目的是為了檢測出在不同的尺度下都存在的特征點，如此可以獲得縮放不變性

其中利用圖像i(x,y)與g(x,y,σ) 進行卷積運算，得到尺度空間l(x,y,σ)，可以理解，所謂的“尺度空間”在這里就是這個函數(shù)l(x,y,σ)

如果求取特征點，可以使用一個叫做拉普拉斯算子進行運算

但是，由于拉普拉斯算子的效率太低，再sift算法當中使用差分來代替。

高斯金字塔：

在建立尺度空間后，需要找到關鍵點，此時需要實現(xiàn)高斯金字塔的構造來實現(xiàn)關鍵點的求取。在高斯金字塔當中，“塔”的每一層都是圖像，“塔”的高度就是上面提到的尺度σ。“塔”的每一層對應一個σ值，同時將高斯金字塔中的圖像分成組，每組當中圖像的尺寸相同，但是尺度σ不同。具體尺度之間的計算關系，先忽略，如下圖所示：

高斯差分金字塔dog：

每一組相鄰當中相鄰兩層的圖像做差，得到的圖像再“疊”成一個金字塔就是高斯差分金字塔dog。

dog局部特征點檢測：

有了差分金字塔，現(xiàn)在便可以計算關鍵點（特征點）。由于金字塔的模型不是二維模型，而是一個三維模型，這里計算極值的方法也不再是二維求取極值的方法。

計算一個某一個點是否是局部最大值，在離散的三維空間當中，以該點為中心，檢測它周圍的點。類似魔方的中心位置一樣，如下圖中的“叉”就是待計算是否是局部極值點。

這里說明，局部極值點都是在同一個組當中進行的，所以肯定有這樣的問題，某一組當中的第一個圖和最后一個圖層沒有前一張圖和下一張圖，那該怎么計算？ 解決辦法是，在用高斯模糊，在高斯金字塔多“模糊”出三張來湊數(shù)，所以在dog中多出兩張。

關鍵點定位：

上面找到的關鍵點要進行處理，去除一些不好的特征點，保存下來的特征點能夠滿足穩(wěn)定性等條件。

主要是去掉dog局部曲率非常不對稱的像素。

因為低對比度的特征點和邊界點對光照和噪聲變化非常敏感，所以要去掉。利用閾值的方法來限制，在opencv中為contrastthreshold。

去除低對比度的特征點：

使用泰勒公式對dog函數(shù)空間進行擬合，去掉小于修正閾值的關鍵點。

去除不穩(wěn)定的邊界點：

利用hessian矩陣（就是求導數(shù)的矩陣），利用邊緣梯度的方向上主曲率值比較大，而沿著邊緣方向則主曲率值較小的原理，將主曲率限制為某個值。滿足該值條件的點留下，反之去除。

關鍵點設定方向參數(shù)：

每個關鍵點設置方向以后可以獲得旋轉不變性。

獲取關鍵點所在尺度空間的鄰域，然后計算該區(qū)域的梯度和方向，根據(jù)計算得到的結果創(chuàng)建方向直方圖，直方圖的峰值為主方向的參數(shù)，其他高于主方向百分之80的方向被判定為輔助方向，這樣設定對穩(wěn)定性有很大幫助。如圖

關鍵點描述符：

經過上面的步驟計算，每個關鍵點有三個信息，位置、尺度、方向。所以具備平移、縮放、和旋轉不變性。

接下來對每個關鍵點用一組向量將這個關鍵點描述出來，使其不隨著光照、視角等等影響而改變。該描述符不但涉及關鍵點，而且還涉及到關鍵點周圍的像素，使其有更強的不變特性。

基本原理是選取關鍵點周圍16×16的像素區(qū)域，分成4個小塊，每個小塊創(chuàng)建8個bin的直方圖，這總共的128個信息的向量就是關鍵點描述符的主要內容。此外還要測量，以達到光照、旋轉的穩(wěn)定性。如圖

關鍵點匹配：

分別對模板圖和實時圖建立關鍵點描述符集合，通過對比關鍵點描述符來判斷兩個關鍵點是否相同。128個信息的向量使用歐氏距離來實現(xiàn)。

在關鍵點的匹配當中，使用的搜索算法為區(qū)域搜索算法當中最常用的k-d樹實現(xiàn)。

比較之后，需要在進行消除錯配點才算完成。

opencv 中的 sift：

關于opencv版本與sift算法不能調用的問題：

sift算法是一個有專利的算法，在商業(yè)用途上是收費的。對于窮b學生，算法的發(fā)明者還比較仁慈，可以使用。
不過，在python當中使用sift算法和版本之間有不少關系，源文檔當中使用opencv版本是2.4.9版本，此版本可以隨意使用sift算法。

但是，在opencv3當中就沒那么幸運了，opencv中的很多特征點提取算法都和cv2中的庫分離開，必須要添加opencv-contrib才可以使用，本人使用的opencv版本是3.3.0，幾乎是最新的版本。

網上有一大堆教程關于如何在opencv當中如何添加opencv-contrib的教程，使用cmake，使用vs，啥的非常麻煩。

本人狗急跳墻，尋思在pip上面有沒有啥第三方的庫可以直接就將opencv-contrib這個庫。

結果，還真找到了 哈哈。

這下方便了，只要在你的控制臺當中輸入
pip install opencv-contrib-python即可

如果pip安裝不上去

直接上官方上面下個輪子，然后pip安裝就能用了

網站在此！！！

返回的關鍵點是一個帶有很多不用屬性的特殊結構體，屬性當中有坐標，方向、角度等等。

計算關鍵點描述符：

使用sift.compute()函數(shù)來進行計算關鍵點描述符

如果未找到關鍵點，可使用函數(shù)sift.detectandcompute()直接找到關鍵點并計算。

在第二個函數(shù)中，kp為關鍵點列表，des為numpy的數(shù)組，為關鍵點數(shù)目×128

結果如圖

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持服務器之家。

原文鏈接：http://blog.csdn.net/tengfei461807914/article/details/78175095