前言微信
前面咱們介紹了《C++ OpenCV特徵提取之SURF特徵檢測》，這一篇咱們在介紹一下SIFT的特徵提取。函數
SIFT特徵和SURF特徵比較
| 比較項目 | SIFT | SURF |
|---|---|---|
| 尺度空間極值檢測 | 使用高斯濾波器，根據不一樣尺度的高斯差(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 | 經過鄰近信息插補來定位 | 與SIFT相似 |
| 方向定位 | 經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做爲關鍵點的主方向 | 經過計算特徵點周圍像素點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做爲特徵點方向 |
| 特徵描述子 | 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 | 一般在搜索正確的特徵時更加精確，固然也更加耗時 | 描述子大部分基於強度的差值，計算更快捷 |
SIFT特徵基本介紹url
SIFT(Scale-Invariant Feature Transform)特徵檢測關鍵特徵：spa
創建尺度空間，尋找極值.net
關鍵點定位（尋找關鍵點準確位置與刪除弱邊緣）orm
關鍵點方向指定blog
關鍵點描述子ci
創建尺度空間，尋找極值get
工做原理io
構建圖像高斯金字塔，求取DOG，發現最大與最小值在每一級
構建的高斯金字塔，每一層根據sigma的值不一樣，能夠分爲幾個待級，最少有4個。
關鍵點定位
咱們在像素級別得到了極值點的位置，可是更準確的值應該在亞像素位置，如何獲得--這個過程稱爲關鍵點（準確/精確）定位。
刪除弱邊緣--經過Hassian矩陣特徵值實現，小於閾值自動捨棄。
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
計算每一個高斯權重，sigma=scale*1.5, 0-360之間創建36個直方圖Bins
找最高峯對應的Bin，大於max*80%的都保留
這樣就實現了旋轉不變性，提升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
獲得描述子 = 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，通常默認10就行
double sigma = 1.6
)
代碼演示
咱們再新建一個項目名爲opencv--sift，按照配置屬性(VS2017配置OpenCV通用屬性),而後在源文件寫入#include和main方法
記得咱們要加上opencv2\xfeatures2d.hpp
使用SIFT檢測，其實紅框裏面是咱們定義的參數，能夠修改一下參數進行變化
運行效果
上面左邊紅框處就是咱們獲取了多少個KeyPoints並打印出來，能夠看到這個比SURF檢測明顯要少了很多，說明檢測的更爲細緻了，不過也比SURF花費的時間要長一點。
接下來咱們改一下參數
再看一下運行效果
能夠看到獲取到的Keypoints的特徵點更少了。
以上就是SIFT的介紹。
-END-
長按下方二維碼關注微卡智享
本文分享自微信公衆號 - 微卡智享（VaccaeShare）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。