本文實例為大家分享了利用opencv實現(xiàn)SIFT特征提取與匹配的具體代碼，供大家參考，具體內(nèi)容如下

1、SIFT

1.1、sift的定義

SIFT，即尺度不變特征變換（Scale-invariant feature transform，SIFT），是用于圖像處理領(lǐng)域的一種描述。這種描述具有尺度不變性，可在圖像中檢測出關(guān)鍵點，是一種局部特征描述子。

1.2、sift算法介紹

SIFT由David Lowe在1999年提出，在2004年加以完善 。SIFT在數(shù)字圖像的特征描述方面當(dāng)之無愧可稱之為最紅最火的一種，許多人對SIFT進行了改進，誕生了SIFT的一系列變種。SIFT已經(jīng)申請了專利（所以現(xiàn)在opencv使用這個算法，需要低的版本）。

SIFT特征是基于物體上的一些局部外觀的興趣點而與影像的大小和旋轉(zhuǎn)無關(guān)。對于光線、噪聲、微視角改變的容忍度也相當(dāng)高?；谶@些特性，它們是高度顯著而且相對容易擷取，在母數(shù)龐大的特征數(shù)據(jù)庫中，很容易辨識物體而且鮮有誤認。使用SIFT特征描述對于部分物體遮蔽的偵測率也相當(dāng)高，甚至只需要3個以上的SIFT物體特征就足以計算出位置與方位。在現(xiàn)今的電腦硬件速度下和小型的特征數(shù)據(jù)庫條件下，辨識速度可接近即時運算。SIFT特征的信息量大，適合在海量數(shù)據(jù)庫中快速準確匹配。

SIFT算法具有如下一些特點：

1）SIFT特征是圖像的局部特征，其對旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性；
2）區(qū)分性（Distinctiveness）好，信息量豐富，適用于在海量特征數(shù)據(jù)庫中進行快速、準確的匹配；
3）多量性，即使少數(shù)的幾個物體也可以產(chǎn)生大量的SIFT特征向量；
4）高速性，經(jīng)優(yōu)化的SIFT匹配算法甚至可以達到實時的要求；
5）可擴展性，可以很方便的與其他形式的特征向量進行聯(lián)合。

1.3、特征檢測

SIFT特征檢測主要包括以下4個基本步驟：
1）尺度空間極值檢測：搜索所有尺度上的圖像位置。通過高斯微分函數(shù)來識別潛在的對于尺度和旋轉(zhuǎn)不變的興趣點。
2）關(guān)鍵點定位：在每個候選的位置上，通過一個擬合精細的模型來確定位置和尺度。關(guān)鍵點的選擇依據(jù)于它們的穩(wěn)定程度。
3）方向確定：基于圖像局部的梯度方向，分配給每個關(guān)鍵點位置一個或多個方向。所有后面的對圖像數(shù)據(jù)的操作都相對于關(guān)鍵點的方向、尺度和位置進行變換，從而提供對于這些變換的不變性。
4）關(guān)鍵點描述：在每個關(guān)鍵點周圍的鄰域內(nèi)，在選定的尺度上測量圖像局部的梯度。這些梯度被變換成一種表示，這種表示允許比較大的局部形狀的變形和光照變化。

1.4、特征匹配

SIFT特征匹配主要包括2個階段：

第一階段：SIFT特征的生成，即從多幅圖像中提取對尺度縮放、旋轉(zhuǎn)、亮度變化無關(guān)的特征向量。
第二階段：SIFT特征向量的匹配。

SIFT特征的生成一般包括以下幾個步驟：

1）構(gòu)建尺度空間，檢測極值點，獲得尺度不變性。
2）特征點過濾并進行精確定位。
3）為特征點分配方向值。
4）生成特征描述子。以特征點為中心取16×16的鄰域作為采樣窗口，將采樣點與特征點的相對方向通過高斯加權(quán)后歸入包含8個bin的方向直方圖，最后獲得4×4×8的128維特征描述子。當(dāng)兩幅圖像的SIFT特征向量生成以后，下一步就可以采用關(guān)鍵點特征向量的歐式距離來作為兩幅圖像中關(guān)鍵點的相似性判定度量。取圖1的某個關(guān)鍵點，通過遍歷找到圖像2中的距離最近的兩個關(guān)鍵點。在這兩個關(guān)鍵點中，如果最近距離除以次近距離小于某個閾值，則判定為一對匹配點。

2、python實現(xiàn)

2.1、準備工作

由于SIFT已經(jīng)申請了專利，所以在高版本的opencv中，會出現(xiàn)錯誤，以前是opencv4.0.1，然后安裝版本為opencv3.4.2.16
卸載以前的版本（低版本，可以試試直接運行代碼）：

pip uninstall opencv-python
pip uninstall opencv-contrib-python

用命令行（CMD），采用pip方式：

pip install opencv_python==3.4.2.16 
pip install opencv-contrib-python==3.4.2.16

2.2、代碼實現(xiàn)

#!/usr/bin/env python3
# -*- coding:utf-8 -*-
u'''
Created on 2019年6月14日
@author: wuluo
'''
__author__ = 'wuluo'
__version__ = '1.0.0'
__company__ = u'重慶交大'
__updated__ = '2019-06-14'
from matplotlib import pyplot as plt
from imagedt.decorator import time_cost
import cv2
print('cv version: ', cv2.__version__)

def bgr_rgb(img):
 (r, g, b) = cv2.split(img)
 return cv2.merge([b, g, r])

def orb_detect(image_a, image_b):
 # feature match
 orb = cv2.ORB_create()
 kp1, des1 = orb.detectAndCompute(image_a, None)
 kp2, des2 = orb.detectAndCompute(image_b, None)
 # create BFMatcher object
 bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
 # Match descriptors.
 matches = bf.match(des1, des2)
 # Sort them in the order of their distance.
 matches = sorted(matches, key=lambda x: x.distance)
 # Draw first 10 matches.
 img3 = cv2.drawMatches(image_a, kp1, image_b, kp2,
    matches[:100], None, flags=2)
 return bgr_rgb(img3)

@time_cost
def sift_detect(img1, img2, detector='surf'):
 if detector.startswith('si'):
 print("sift detector......")
 sift = cv2.xfeatures2d.SURF_create()
 else:
 print("surf detector......")
 sift = cv2.xfeatures2d.SURF_create()
 # find the keypoints and descriptors with SIFT
 kp1, des1 = sift.detectAndCompute(img1, None)
 kp2, des2 = sift.detectAndCompute(img2, None)
 # BFMatcher with default params
 bf = cv2.BFMatcher()
 matches = bf.knnMatch(des1, des2, k=2)
 # Apply ratio test
 good = [[m] for m, n in matches if m.distance < 0.5 * n.distance]
 # cv2.drawMatchesKnn expects list of lists as matches.
 img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good, None, flags=2)
 return bgr_rgb(img3)

if __name__ == "__main__":
 # load image
 image_a = cv2.imread('G:/2018and2019two/qianrushi/wuluo1.jpg')#絕對路徑
 image_b = cv2.imread('G:/2018and2019two/qianrushi/wuluo2.jpg')
 # ORB
 # img = orb_detect(image_a, image_b)
 # SIFT or SURF
 img = sift_detect(image_a, image_b)
 plt.imshow(img)
 plt.show()

2.3、運行結(jié)果

采用同一張圖片：

兩張有重疊部分的代碼：

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。