C++ OpenCV特征提取之SIFT特征检测

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
  • 关键点定位(寻找关键点准确位置与删除弱边缘)
  • 关键点方向指定
  • 关键点描述子

建立尺度空间,寻找极值

工作原理

  1. 构建图像高斯金字塔,求取DOG,发现最大与最小值在每一级
  2. 构建的高斯金字塔,每一层根据sigma的值不同,可以分为几个待级,最少有4个。

关键点定位

  • 我们在像素级别获得了极值点的位置,但是更准确的值应该在亚像素位置,如何得到--这个过程称为关键点(准确/精确)定位。
  • 删除弱边缘--通过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
  • 计算每个高斯权重,sigma=scale*1.5, 0-360之间建立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,提高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
  • 得到描述子 = 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,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。

原文发布于微信公众号 - 微卡智享(VaccaeShare)

原文发表时间:2018-08-02

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券