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
- 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。
