C++ OpenCV特征提取之如何实现SIFT特征检测

这篇文章主要介绍C++ OpenCV特征提取之如何实现SIFT特征检测，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！

 

SIFT特征和SURF特征比较

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。

以上是“C++ OpenCV特征提取之如何实现SIFT特征检测”这篇文章的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注亿速云行业资讯频道！