sift

1.sift简介 SIFT，即尺度不变特征变换（Scale-invariant feature transform，SIFT），是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。 SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。 1.1兴趣点 SIFT 特征使用高斯差分函数来定位兴趣点： 其中， 是上一章中介绍的二维高斯核， 是使用 模糊的灰度图像， κ 是决定相差尺度的常数。兴趣点是在图像位置和尺度变化下 D(x,σ) 的最大值和最小值点。这些候选位置点通过滤波去除不稳定点。基于一些准则，比如认为低对比度和位于边上的 点不是兴趣点，我们可以去除一些候选兴趣点。 1.3描述子 为了对图像亮度具有稳健性，SIFT 描述子使用图像梯度。 SIFT 描述子在每个像素点附近选取子区域网格，在每个子区域内计算图像梯度方向直方图

本文参考博客：https://blog.csdn.net/fangjian1204/article/details/10522455 文章目录 一、建立高斯差分金字塔 1.基本概念 2.构建高斯金字塔 3.构建Dog金字塔 二、关键点位置确定 1.基本概念 2.DoG局部极值点 3.去除边缘响应 三、关键点方向分配 四、关键点描述 五、匹配 5.1 数据集 5.2 图片的SIFT特征提取 5.3 计算两张图片SIFT特征匹配结果 5.4 检索匹配 六、实验总结 -错误分析 -算法分析 一、建立高斯差分金字塔 1.基本概念 高斯金字塔里有两个概念：组（Octave）和层（Level）； 不同大小的图片是组；同样大小的图片，在内部是层； 在同一组内，不同层图像的尺寸是一样的； 2.构建高斯金字塔 高斯金字塔每层中的多幅图像，是通过对同一幅输入图像进行不同尺度的高斯卷积得来的。 高斯金字塔的组数为： 计算高斯模糊的系数σ： σ 为尺度空间坐标， s 为每组中层坐标， σ0 为初始尺度， S 为每组层数（一般层数为3~5）。 根据公式推理可以得到，金字塔组内各层尺度以及组间各图像尺度关系： 相邻两组的同一层尺度为2倍的关系 。 3.构建Dog金字塔 高斯金字塔相邻两层相减，便可以得到 DoG （Difference of Gaussian）金字塔。

1 SIFT描述子 1.1SIFT描述子简介 SIFT，即尺度不变特征变换（Scale-invariant feature transform，SIFT），是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。 1.2 SIFT算法实现步骤简述 SIFT算法实现特征匹配主要有三个流程，1、提取关键点；2、对关键点附加 详细的信息（局部特征），即描述符；3、通过特征点（附带上特征向量的关 键点）的两两比较找出相互匹配的若干对特征点，建立景物间的对应关系。 2 关键点检测的相关概念 2.1 哪些点是SIFT中要查找的关键点（特征点） 这些点是一些十分突出的点不会因光照、尺度、旋转等因素的改变而消 失，比如角点、边缘点、暗区域的亮点以及亮区域的暗点。既然两幅图像中 有相同的景物，那么使用某种方法分别提取各自的稳定点，这些点之间会有 相互对应的匹配点 2.2 什么是尺度空间 关键点检测的相关概念 尺度空间中各尺度图像的 模糊程度逐渐变大，能够模拟 人在距离目标由近到远时目标 在视网膜上的形成过程。 尺度越大图像越模糊。 根据文献《Scale-space theory: A basic tool for analysing structures at different scales》可知，高斯核是唯一可以产生 多尺度空间的核，一个

SIFT特征提取+匹配 目录 SIFT特征提取+匹配 1. 算法描述 1.1 构建尺度空间 1.2 LoG近似DoG找到关键点 1.3 除去不好的特征点 1.4 关键点的表示 1.5 关键点描述子的生成​ 1.6 根据SIFT进行匹配 2. 实验要求 3.实验过程 3.1 实验数据集 ​ 3.2 sift特征提取 3.3 特征匹配 3.4 匹配筛选 4. 总结 4.1 SIFT特征特性： 4.2 SIFT特征的缺点 4.3 SIFT特征的用途 4.4 实验过程遇到的问题 1. 算法描述 特征描述子就是对关键点提取特征的过程，应该具备可重复性、可区分性、准确性、有效性和鲁棒性。SIFT(Scale-Invariant Feature Transform)是一种特征描述子。该描述子具有尺度不变性和光照不变性。 1.1 构建尺度空间 这里的尺度可以理解为图像的模糊程度，就是眼睛近视的度数。尺度越大细节越少，SIFT特征希望提取所有尺度上的信息，所以对图像构建尺度空间, 也就是实用不同的平滑核对图像进行平滑。这里的平滑核选用高斯核，空间尺度有高斯核尺度决定： 其中 是原图像，*是卷积符号， 对应尺度下的尺度图像， 是高斯核。 其中 G(x,y,σ) 是尺度可变高斯函数 （x，y）是空间坐标，是尺度坐标。σ大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征

文章目录 1、SIFT特征提取算法介绍 1.1 算法综述 1.2 算法特性 1.3 主要步骤 2、SIFT特征提取 2.1 实现代码 2.2 实现结果 2.3 实现小结 3、两图片SIFT特征匹配 3.1 实现代码 3.2 实现结果 3.3 实现小结 4、图库检索最高匹配 4.1 获取并保存图库中全部图片的特征数据 4.2 检索最高匹配 4.3 实验小结 5、实验遇到的问题及解决 6、实验总小结 1、SIFT特征提取算法介绍 1.1 算法综述 尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的 局部性特征 ，它在空间尺度中寻找极值点，并提取出其 位置、尺度、旋转不变量 。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。 1.2 算法特性 SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性； 独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配； 多量性，即使少数的几个物体也可以产生大量的SIFT特征向量； 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求； 可扩展性，可以很方便的与其他形式的特征向量进行联合。 1.3 主要步骤 建立尺度空间，即建立高斯差分

此部分是计算机视觉部分，主要侧重在底层特征提取，视频分析，跟踪，目标检测和识别方面等方面。对于自己不太熟悉的领域比如摄像机标定和立体视觉，仅仅列出上google上引用次数比较多的文献。有一些刚刚出版的文章，个人非常喜欢，也列出来了。 33. SIFT 关于SIFT，实在不需要介绍太多，一万多次的引用已经说明问题了。SURF和PCA-SIFT也是属于这个系列。后面列出了几篇跟SIFT有关的问题。 [1999 ICCV] Object recognition from local scale-invariant features [2000 IJCV] Evaluation of Interest Point Detectors [2006 CVIU] Speeded-Up Robust Features (SURF) [2004 CVPR] PCA-SIFT A More Distinctive Representation for Local Image Descriptors [2004 IJCV] Distinctive Image Features from Scale-Invariant Keypoints [2010 IJCV] Improving Bag-of-Features for Large Scale Image Search [2011 PAMI]

此部分是计算机视觉部分，主要侧重在底层特征提取，视频分析，跟踪，目标检测和识别方面等方面。对于自己不太熟悉的领域比如摄像机标定和立体视觉，仅仅列出上google上引用次数比较多的文献。有一些刚刚出版的文章，个人非常喜欢，也列出来了。 33. SIFT 关于SIFT，实在不需要介绍太多，一万多次的引用已经说明问题了。SURF和PCA-SIFT也是属于这个系列。后面列出了几篇跟SIFT有关的问题。 [1999 ICCV] Object recognition from local scale-invariant features [2000 IJCV] Evaluation of Interest Point Detectors [2006 CVIU] Speeded-Up Robust Features (SURF) [2004 CVPR] PCA-SIFT A More Distinctive Representation for Local Image Descriptors [2004 IJCV] Distinctive Image Features from Scale-Invariant Keypoints [2010 IJCV] Improving Bag-of-Features for Large Scale Image Search [2011 PAMI]

尺度不变特征变换（关键点描述符）第四部分详解 构建描述符步骤：①将坐标轴移动到关键点主方向的位置，实现随着尺度的变化特征点不变的性能。 ②将关键点周围邻域分为4 4，16个子邻域，子邻域包含多个像素点。 ③进行三线插值，记录每个子邻域内像素点在8个方向的梯度直方图，表示8个数值，总计128个数值，从小到大依次排列，构成128维向量，向量归一化处理，消除光照等影响 ④运用KNN算法将两幅图像的相同关键点匹配操作。 算法 三线性插值：关键点邻域大小R=m sigma*（（d+1）/2）*sqrt（2），m=3，sigma为关键点所在高斯金字塔的尺寸，d=4，表示邻域边分为小区域的个数。 x’y’表示旋转之后的点坐标，角度为主方向角度。 新的局部坐标系下的点的坐标。 a b为点的全局坐标，m表示梯度值，对圆形区域内的点进行高斯加权。 红点周围小四方蓝色区域的四个顶点分别在周围四个绿色区域的中心。 若x’’ y’‘距离第0行和第2列的距离为dr、dc，那么x’’ y’'相距绿色中点的距离从上到小左到右距离为（dr，dc），（dr，1-dc）（1-dr,dc）（1-dr，1-dc）。 根据权重与距离成反比原则，则四个位置的权重分别为 W*（1-dr) (1-dc）、W （1-dr) (dc）、W （dr) (1-dc）、W （1-dr）*（1-dc） 将该点的值按照权重分为不同方向

一、前言 　　 从学单片机开始鼓捣C语言，到现在为了学CV鼓捣Python，期间在CSDN、简书、博客园和github这些地方得到了很多帮助，所以也想把自己做的一些小东西分享给大家，希望能帮助到别人。记录人生的第一篇博客，mark。 二、图像检测步骤 1. 读取两张图片 第一张是需要检测的小物体，第二章图片是小物体放置在大场景中。代码与输出结果如下所示: import numpy as np import matplotlib.pyplot as plt import cv2 def my_show(img): plt.imshow(cv2.cvtColor(img,cv2.COLOR_BGR2RGB)) return # 读取图片 img_small=cv2.imread('small.jpg',1) img_big=cv2.imread('big.jpg',1) # 显示图片 plt.figure(figsize=(10,10)) plt.subplot(121) my_show(img_small) plt.subplot(122) my_show(img_big) 2. 提取图片中的特征点 这一步就像我们在区分不同的人的时候，一眼看到外貌就知道此人是谁，而外貌就是这个人的特征。我们希望提取该物体的特征点，以便在不同的场景中识别出来。图片是由像素点构成

最近一直在做双目测距的工作，今天终于获得一定的成果~拿出来与大家分享~ 一、源码下载： http://download.csdn.net/detail/renshengrumenglibing/3791149 二、硬件： 三、匹配效果： 四、基本算法 参见学习opencv中关于双目测距的算法 最关键的Z = fx*T/(x2 - x1) 五、基本参数： 摄像头间距：T = 187mm 由于在实际测量过程中，发现摄像机的焦距并非固定不变的，在 标定 的时候会发现，随着距离的变大，测量的焦距逐渐变大，于是采用测量多 组的的数据拟合 出摄像头的焦距公式 求取焦距与实际距离的拟合公式:fx = g（distance） 实际距离 像差 反推的焦距 413 398 879 519 321 890.9 618 279 922 727 245 952.5 835 217 969.0 930 200 994.65 1075 179 1029 1211 187 1068.5 1345 152 1093 1496 142 1136 焦距拟合公式（matlab计算） fx*T = k*dis +b k = 44.97 b = 14454.17732 T为两个摄像头间的距离，为定值187mm。 知道焦距的拟合公式以后，再测出两张照片的匹配点的像差，可以测出 距离 由方程组： fx * T = k*dis