【OpenCV】SIFT原理与源码

2024-06-18 22:48
文章标签 源码 opencv 原理 sift

本文主要是介绍【OpenCV】SIFT原理与源码,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

SIFT简介

Scale Invariant Feature Transform,尺度不变特征变换匹配算法,是由David G. Lowe在1999年(《Object Recognition from Local Scale-Invariant Features》)提出的高效区域检测算法,在2004年(《Distinctive Image Features from Scale-Invariant Keypoints》)得以完善。

SIFT特征对旋转、尺度缩放、亮度变化等保持不变性,是非常稳定的局部特征,现在应用很广泛。而SIFT算法是将Blob检测,特征矢量生成,特征匹配搜索等步骤结合在一起优化。我会更新一系列文章,分析SIFT算法原理及OpenCV 2.4.2实现的SIFT源码:

  1. DoG尺度空间构造(Scale-space extrema detection
  2. 关键点搜索与定位(Keypoint localization
  3. 方向赋值(Orientation assignment
  4. 关键点描述(Keypoint descriptor
  5. OpenCV实现:特征检测器FeatureDetector
  6. SIFT中LoG和DoG的比较
OpenCV2.3之后实现了SIFT的代码,2.4改掉了一些bug。本系列文章主要分析OpenCV 2.4.2SIFT函数源码。
SIFT位于OpenCV nonfree的模块, David G. Lowe申请了算法的版权,请尊重作者权力,务必在允许范围内使用。

SIFT in OpenCV

OpenCV中的SIFT函数主要有两个接口。

构造函数:

[cpp]  view plain copy 在CODE上查看代码片 派生到我的代码片
  1. SIFT::SIFT(int nfeatures=0, int nOctaveLayers=3, double contrastThreshold=0.04, double edgeThreshold=  
  2. 10, double sigma=1.6)  
nfeatures:特征点数目(算法对检测出的特征点排名,返回最好的nfeatures个特征点)。
nOctaveLayers:金字塔中每组的层数(算法中会自己计算这个值,后面会介绍)。
contrastThreshold:过滤掉较差的特征点的对阈值。contrastThreshold越大,返回的特征点越少。
edgeThreshold:过滤掉边缘效应的阈值。edgeThreshold越大,特征点越多(被多滤掉的越少)。
sigma:金字塔第0层图像高斯滤波系数,也就是σ。

重载操作符:

[cpp]  view plain copy 在CODE上查看代码片 派生到我的代码片
  1. void SIFT::operator()(InputArray img, InputArray mask, vector<KeyPoint>& keypoints, OutputArray  
  2. descriptors, bool useProvidedKeypoints=false)  

img:8bit灰度图像
mask:图像检测区域(可选)
keypoints:特征向量矩阵
descipotors:特征点描述的输出向量(如果不需要输出,需要传cv::noArray())。
useProvidedKeypoints:是否进行特征点检测。ture,则检测特征点;false,只计算图像特征描述。

函数源码

构造函数SIFT()主要用来初始化参数,并没有特定的操作:
[cpp]  view plain copy 在CODE上查看代码片 派生到我的代码片
  1. SIFT::SIFT( int _nfeatures, int _nOctaveLayers,  
  2.            double _contrastThreshold, double _edgeThreshold, double _sigma )  
  3.     : nfeatures(_nfeatures), nOctaveLayers(_nOctaveLayers),  
  4.     contrastThreshold(_contrastThreshold), edgeThreshold(_edgeThreshold), sigma(_sigma)  
  5.     // sigma:对第0层进行高斯模糊的尺度空间因子。  
  6.     // 默认为1.6(如果是软镜摄像头捕获的图像,可以适当减小此值)  
  7. {  
  8. }  

主要操作还是利用重载操作符()来执行:
[cpp]  view plain copy 在CODE上查看代码片 派生到我的代码片
  1. void SIFT::operator()(InputArray _image, InputArray _mask,  
  2.                       vector<KeyPoint>& keypoints,  
  3.                       OutputArray _descriptors,  
  4.                       bool useProvidedKeypoints) const  
  5. // mask :Optional input mask that marks the regions where we should detect features.  
  6. // Boolean flag. If it is true, the keypoint detector is not run. Instead,  
  7. // the provided vector of keypoints is used and the algorithm just computes their descriptors.  
  8. // descriptors – The output matrix of descriptors.  
  9. // Pass cv::noArray() if you do not need them.              
  10. {  
  11.     Mat image = _image.getMat(), mask = _mask.getMat();  
  12.   
  13.     if( image.empty() || image.depth() != CV_8U )  
  14.         CV_Error( CV_StsBadArg, "image is empty or has incorrect depth (!=CV_8U)" );  
  15.   
  16.     if( !mask.empty() && mask.type() != CV_8UC1 )  
  17.         CV_Error( CV_StsBadArg, "mask has incorrect type (!=CV_8UC1)" );  
  18.   
  19.           
  20.     // 得到第1组(Octave)图像  
  21.     Mat base = createInitialImage(image, false, (float)sigma);  
  22.     vector<Mat> gpyr, dogpyr;  
  23.     // 每层金字塔图像的组数(Octave)  
  24.     int nOctaves = cvRound(log( (double)std::min( base.cols, base.rows ) ) / log(2.) - 2);  
  25.   
  26.     // double t, tf = getTickFrequency();  
  27.     // t = (double)getTickCount();  
  28.       
  29.     // 构建金字塔(金字塔层数和组数相等)  
  30.     buildGaussianPyramid(base, gpyr, nOctaves);  
  31.     // 构建高斯差分金字塔  
  32.     buildDoGPyramid(gpyr, dogpyr);  
  33.   
  34.     //t = (double)getTickCount() - t;  
  35.     //printf("pyramid construction time: %g\n", t*1000./tf);  
  36.       
  37.     // useProvidedKeypoints默认为false  
  38.     // 使用keypoints并计算特征点的描述符  
  39.     if( !useProvidedKeypoints )  
  40.     {  
  41.         //t = (double)getTickCount();  
  42.         findScaleSpaceExtrema(gpyr, dogpyr, keypoints);  
  43.         //除去重复特征点  
  44.         KeyPointsFilter::removeDuplicated( keypoints );   
  45.   
  46.         // mask标记检测区域(可选)  
  47.         if( !mask.empty() )  
  48.             KeyPointsFilter::runByPixelsMask( keypoints, mask );  
  49.   
  50.         // retainBest:根据相应保留指定数目的特征点(features2d.hpp)  
  51.         if( nfeatures > 0 )  
  52.             KeyPointsFilter::retainBest(keypoints, nfeatures);  
  53.         //t = (double)getTickCount() - t;  
  54.         //printf("keypoint detection time: %g\n", t*1000./tf);  
  55.     }  
  56.     else  
  57.     {  
  58.         // filter keypoints by mask  
  59.         // KeyPointsFilter::runByPixelsMask( keypoints, mask );  
  60.     }  
  61.   
  62.     // 特征点输出数组  
  63.     if( _descriptors.needed() )  
  64.     {  
  65.         //t = (double)getTickCount();  
  66.         int dsize = descriptorSize();  
  67.         _descriptors.create((int)keypoints.size(), dsize, CV_32F);  
  68.         Mat descriptors = _descriptors.getMat();  
  69.   
  70.         calcDescriptors(gpyr, keypoints, descriptors, nOctaveLayers);  
  71.         //t = (double)getTickCount() - t;  
  72.         //printf("descriptor extraction time: %g\n", t*1000./tf);  
  73.     }  
  74. }  

函数中用到的构造金字塔: buildGaussianPyramid(base, gpyr, nOctaves);等步骤请参见文章后续系列。



这篇关于【OpenCV】SIFT原理与源码的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1073274

相关文章

Java 正则表达式URL 匹配与源码全解析

《Java正则表达式URL匹配与源码全解析》在Web应用开发中,我们经常需要对URL进行格式验证,今天我们结合Java的Pattern和Matcher类,深入理解正则表达式在实际应用中... 目录1.正则表达式分解:2. 添加域名匹配 (2)3. 添加路径和查询参数匹配 (3) 4. 最终优化版本5.设计思

Spring Boot循环依赖原理、解决方案与最佳实践(全解析)

《SpringBoot循环依赖原理、解决方案与最佳实践(全解析)》循环依赖指两个或多个Bean相互直接或间接引用,形成闭环依赖关系,:本文主要介绍SpringBoot循环依赖原理、解决方案与最... 目录一、循环依赖的本质与危害1.1 什么是循环依赖?1.2 核心危害二、Spring的三级缓存机制2.1 三

C#中async await异步关键字用法和异步的底层原理全解析

《C#中asyncawait异步关键字用法和异步的底层原理全解析》:本文主要介绍C#中asyncawait异步关键字用法和异步的底层原理全解析,本文给大家介绍的非常详细,对大家的学习或工作具有一... 目录C#异步编程一、异步编程基础二、异步方法的工作原理三、代码示例四、编译后的底层实现五、总结C#异步编程

在PyCharm中安装PyTorch、torchvision和OpenCV详解

《在PyCharm中安装PyTorch、torchvision和OpenCV详解》:本文主要介绍在PyCharm中安装PyTorch、torchvision和OpenCV方式,具有很好的参考价值,... 目录PyCharm安装PyTorch、torchvision和OpenCV安装python安装PyTor

openCV中KNN算法的实现

《openCV中KNN算法的实现》KNN算法是一种简单且常用的分类算法,本文主要介绍了openCV中KNN算法的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录KNN算法流程使用OpenCV实现KNNOpenCV 是一个开源的跨平台计算机视觉库,它提供了各

OpenCV图像形态学的实现

《OpenCV图像形态学的实现》本文主要介绍了OpenCV图像形态学的实现,包括腐蚀、膨胀、开运算、闭运算、梯度运算、顶帽运算和黑帽运算,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起... 目录一、图像形态学简介二、腐蚀(Erosion)1. 原理2. OpenCV 实现三、膨胀China编程(

Go 语言中的select语句详解及工作原理

《Go语言中的select语句详解及工作原理》在Go语言中,select语句是用于处理多个通道(channel)操作的一种控制结构,它类似于switch语句,本文给大家介绍Go语言中的select语... 目录Go 语言中的 select 是做什么的基本功能语法工作原理示例示例 1:监听多个通道示例 2:带

鸿蒙中@State的原理使用详解(HarmonyOS 5)

《鸿蒙中@State的原理使用详解(HarmonyOS5)》@State是HarmonyOSArkTS框架中用于管理组件状态的核心装饰器,其核心作用是实现数据驱动UI的响应式编程模式,本文给大家介绍... 目录一、@State在鸿蒙中是做什么的?二、@Spythontate的基本原理1. 依赖关系的收集2.

Java调用C++动态库超详细步骤讲解(附源码)

《Java调用C++动态库超详细步骤讲解(附源码)》C语言因其高效和接近硬件的特性,时常会被用在性能要求较高或者需要直接操作硬件的场合,:本文主要介绍Java调用C++动态库的相关资料,文中通过代... 目录一、直接调用C++库第一步:动态库生成(vs2017+qt5.12.10)第二步:Java调用C++

Java编译生成多个.class文件的原理和作用

《Java编译生成多个.class文件的原理和作用》作为一名经验丰富的开发者,在Java项目中执行编译后,可能会发现一个.java源文件有时会产生多个.class文件,从技术实现层面详细剖析这一现象... 目录一、内部类机制与.class文件生成成员内部类(常规内部类)局部内部类(方法内部类)匿名内部类二、