前言微信
前面咱们介绍了《C++ OpenCV特征提取之SURF特征检测》，这一篇咱们在介绍一下SIFT的特征提取。函数
SIFT特征和SURF特征比较
| 比较项目 | SIFT | SURF |
|---|---|---|
| 尺度空间极值检测 | 使用高斯滤波器，根据不一样尺度的高斯差(DOG)图像寻找局部极值 | 使用方形滤波器，利用海森矩阵的行列式值检测极值，并利用积分图加速运算 |
| 关键点定位 | 经过邻近信息插补来定位 | 与SIFT相似 |
| 方向定位 | 经过计算关键点局部邻域的方向直方图，寻找直方图中最大值的方向做为关键点的主方向 | 经过计算特征点周围像素点x,y方向的哈尔小波变换，将x、y方向小波变换的和向量的最大值做为特征点方向 |
| 特征描述子 | 是关键点邻域高斯图像梯度方向直方图统计结果的一种表示，是16*8=128维向量 | 是关键点邻域2D离散小波变换响应的一种表示，是16*4=64维向量 |
| 应用中的主要区别 | 一般在搜索正确的特征时更加精确，固然也更加耗时 | 描述子大部分基于强度的差值，计算更快捷 |
SIFT特征基本介绍url
SIFT(Scale-Invariant Feature Transform)特征检测关键特征：spa
创建尺度空间，寻找极值.net
关键点定位（寻找关键点准确位置与删除弱边缘）orm
关键点方向指定blog
关键点描述子ci
创建尺度空间，寻找极值get
工做原理io
构建图像高斯金字塔，求取DOG，发现最大与最小值在每一级
构建的高斯金字塔，每一层根据sigma的值不一样，能够分为几个待级，最少有4个。
关键点定位
咱们在像素级别得到了极值点的位置，可是更准确的值应该在亚像素位置，如何获得--这个过程称为关键点（准确/精确）定位。
删除弱边缘--经过Hassian矩阵特征值实现，小于阈值自动舍弃。
关键点方向指定
求得每一层对应图像的梯度，根据给定的窗口大小
计算每一个高斯权重，sigma=scale*1.5, 0-360之间创建36个直方图Bins
找最高峰对应的Bin，大于max*80%的都保留
这样就实现了旋转不变性，提升了匹配时候的稳定性
大约有15%的关键点会有多个方向
关键点描述子
拟合多项式插值寻找最大Peak
获得描述子 = 4*4*8=128
构造函数
cv::xfeatures2d::SIFT::create(
int nfeatures = 0,
int nOctaveLayers = 3, --高斯金字塔乘积数
double contrastThreshold = 0.04, --对比度
double edgeThreshold = 10, --边缘阈值，通常默认10就行
double sigma = 1.6
)
代码演示
咱们再新建一个项目名为opencv--sift，按照配置属性(VS2017配置OpenCV通用属性),而后在源文件写入#include和main方法
记得咱们要加上opencv2\xfeatures2d.hpp
使用SIFT检测，其实红框里面是咱们定义的参数，能够修改一下参数进行变化
运行效果
上面左边红框处就是咱们获取了多少个KeyPoints并打印出来，能够看到这个比SURF检测明显要少了很多，说明检测的更为细致了，不过也比SURF花费的时间要长一点。
接下来咱们改一下参数
再看一下运行效果
能够看到获取到的Keypoints的特征点更少了。
以上就是SIFT的介绍。
-END-
长按下方二维码关注微卡智享
本文分享自微信公众号 - 微卡智享（VaccaeShare）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。