python opencv之SIFT算法示例

本文介绍了python opencv之SIFT算法示例，分享给大家，具体如下：

目标：

学习SIFT算法的概念
学习在图像中查找SIFT关键的和描述符

原理：

（原理部分自己找了不少文章，内容中有不少自己理解和整理的东西，为了方便快速理解内容和能够快速理解原理，本文尽量不使用数学公式，仅仅使用文字来描述。本文中有很多引用别人文章的内容，仅供个人记录使用，若有错误，请指正出来，万分感谢）

之前的harris算法和Shi-Tomasi 算法，由于算法原理所致，具有旋转不变性，在目标图片发生旋转时依然能够获得相同的角点。但是如果对图像进行缩放以后，再使用之前的算法就会检测不出来，原理用一张图表示（图1）：

（harris算法和shi-tomasi算法都是基于窗口中像素分布和变化的原理，在图像放大且窗口大小不发生变化的时，窗口中的像素信息则会有很大的不同，造成无法检测的结果）

SIFT特性：

独特性，也就是特征点可分辨性高，类似指纹，适合在海量数据中匹配。 多量性，提供的特征多。 高速性，就是速度快。 可扩展，能与其他特征向量联合使用。

SIFT特点：

旋转、缩放、平移不变性 解决图像仿射变换，投影变换的关键的匹配 光照影响小 目标遮挡影响小 噪声景物影响小

SIFT算法步骤：

尺度空间极值检测 关键点定位 关键点方向参数 关键点描述符 关键点匹配

尺度空间极值检测：

尺度空间的个人理解：
你找一张分辨率1024×1024图片，在电脑上观看，十分清晰，但是图片太大。现在把这图片反正photoshop上，将分辨率改成512×512,图片看着依然很清晰，但是不可能像1024×1024的画面那么精细，只不过是因为人眼构造的原因，512×512图片依然能让你分辨出这是个什么东西。

粗俗点说，尺度空间，就相当于一个图片需要获得多少分辨率的量级。如果把一个图片从原始分辨率到，不停的对其分辨率进行减少，然后将这些图片摞在一起，可以看成一个四棱锥的样式，这个东西就叫做图像金字塔（如下图，图2）。

再回到尺度空间，在摄像头中，计算机无法分辨一个景物的尺度信息。而人眼不同，除了人大脑里已经对物体有了基本的概念（例如正常人在十几米外看到苹果，和在近距离看到苹果，都能认出是苹果）以外，人眼在距离物体近时，能够获得物体足够多的特性，在距离物体远时，能够或略细节，例如，近距离看一个人脸能看到毛孔，距离远了看不到毛孔等等。