前言
前面我们介绍了《C++ OpenCV特征提取之SURF特征检测》,这一篇我们在介绍一下SIFT的特征提取。
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,根据不同尺度的高斯差(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 | 通过邻近信息插补来定位 | 与SIFT类似 |
方向定位 | 通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作为关键点的主方向 | 通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作为特征点方向 |
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 | 通常在搜索正确的特征时更加精确,当然也更加耗时 | 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
SIFT(Scale-Invariant Feature Transform)特征检测关键特征:
建立尺度空间,寻找极值
工作原理
关键点定位
关键点方向指定
关键点描述子
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,一般默认10就行
double sigma = 1.6
)
代码演示
我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),然后在源文件写入#include和main方法
记得我们要加上opencv2\xfeatures2d.hpp
使用SIFT检测,其实红框里面是我们定义的参数,可以修改一下参数进行变化
运行效果
上面左边红框处就是我们获取了多少个KeyPoints并打印出来,可以看到这个比SURF检测明显要少了不少,说明检测的更为细致了,不过也比SURF花费的时间要长一点。
接下来我们改一下参数
再看一下运行效果
可以看到获取到的Keypoints的特征点更少了。
以上就是SIFT的介绍。