计算机视觉
图像处理

【OpenCV】SIFT原理与源码分析

文章目录

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:

  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:

  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:
  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:

  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.     if( image.empty() || image.depth() != CV_8U )
  13.         CV_Error( CV_StsBadArg, “image is empty or has incorrect depth (!=CV_8U)” );
  14.     if( !mask.empty() && mask.type() != CV_8UC1 )
  15.         CV_Error( CV_StsBadArg, “mask has incorrect type (!=CV_8UC1)” );
  16.     // 得到第1组(Octave)图像
  17.     Mat base = createInitialImage(image, false, (float)sigma);
  18.     vector<Mat> gpyr, dogpyr;
  19.     // 每层金字塔图像的组数(Octave)
  20.     int nOctaves = cvRound(log( (double)std::min( base.cols, base.rows ) ) / log(2.) – 2);
  21.     // double t, tf = getTickFrequency();
  22.     // t = (double)getTickCount();
  23.     // 构建金字塔(金字塔层数和组数相等)
  24.     buildGaussianPyramid(base, gpyr, nOctaves);
  25.     // 构建高斯差分金字塔
  26.     buildDoGPyramid(gpyr, dogpyr);
  27.     //t = (double)getTickCount() – t;
  28.     //printf(“pyramid construction time: %gn”, t*1000./tf);
  29.     // useProvidedKeypoints默认为false
  30.     // 使用keypoints并计算特征点的描述符
  31.     if( !useProvidedKeypoints )
  32.     {
  33.         //t = (double)getTickCount();
  34.         findScaleSpaceExtrema(gpyr, dogpyr, keypoints);
  35.         //除去重复特征点
  36.         KeyPointsFilter::removeDuplicated( keypoints );
  37.         // mask标记检测区域(可选)
  38.         if( !mask.empty() )
  39.             KeyPointsFilter::runByPixelsMask( keypoints, mask );
  40.         // retainBest:根据相应保留指定数目的特征点(features2d.hpp)
  41.         if( nfeatures > 0 )
  42.             KeyPointsFilter::retainBest(keypoints, nfeatures);
  43.         //t = (double)getTickCount() – t;
  44.         //printf(“keypoint detection time: %gn”, t*1000./tf);
  45.     }
  46.     else
  47.     {
  48.         // filter keypoints by mask
  49.         // KeyPointsFilter::runByPixelsMask( keypoints, mask );
  50.     }
  51.     // 特征点输出数组
  52.     if( _descriptors.needed() )
  53.     {
  54.         //t = (double)getTickCount();
  55.         int dsize = descriptorSize();
  56.         _descriptors.create((int)keypoints.size(), dsize, CV_32F);
  57.         Mat descriptors = _descriptors.getMat();
  58.         calcDescriptors(gpyr, keypoints, descriptors, nOctaveLayers);
  59.         //t = (double)getTickCount() – t;
  60.         //printf(“descriptor extraction time: %gn”, t*1000./tf);
  61.     }
  62. }

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。

转载注明来源:CV视觉网 » 【OpenCV】SIFT原理与源码分析

分享到:更多 ()
扫描二维码,给作者 打赏
pay_weixinpay_weixin

请选择你看完该文章的感受:

1不错 0超赞 0无聊 0扯淡 0不解 0路过

评论 3

评论前必须登录!