一、SIFT提出的目的和意义
二、SIFT的特征简介
三、SIFT算法实现步骤简述
四、图像集
五、SIFT算法代码实现
- 代码
- 结果截图
- 小结
六、SIFT实验总结
一、SIFT提出的目的和意义
1999年David G.Lowe教授总结了基于特征不变技术的检测方法，在图像尺度空间基础上，提出了对图像缩放、旋转保持不变性的图像局部特征描述算子－SIFT（尺度不变特征变换），该算法在2004年被加以完善。
二、SIFT的特征简介
SIFT算法可以解决的问题
- 目标的旋转、缩放、平移（RST）
- 图像仿射/投影变换（视点viewpoint）
- 弱光照影响（illumination）
- 部分目标遮挡（occlusion）
- 杂物场景（clutter）
- 噪声
三、SIFT算法实现步骤简述
SIFT算法的实质可以归为在不同尺度空间上查找特征点（关键点）的问题。SIFT算法实现特征匹配主要有三个流程，1、提取关键点；2、对关键点附加详细的信息（局部特征），即描述符；3、通过特征点（附带上特征向量的关键点）的两两比较找出相互匹配的若干对特征点，建立景物间的对应关系。
图1
需要配置vfleat安装包
使用开源工具包 VLFeat 提供的二进制文件来计算图像的 SIFT特征 。这里附上VLFeat 工具包链接http://www.vlfeat.org/
操作步骤：
1.把vlfeat文件夹下win64中的sift.exe和vl.dll这两个文件复制到项目的文件夹中
2.修改PCV文件夹内的(我的PCV位置为D:\Anaconda2\Lib\site-packages\PCV))文件夹里面的localdescriptors文件夹中的sift.py文件，用记事本打开，修改其中的cmmd内的路径cmmd=str(r"D:\new\sift.exe“+imagename+” --output="+resultname+" "+params) （路径是你项目文件夹中的sift.exe的路径）一定要在括号里加上r。
四、图像集
一共19 张图像
图2
五、SIFT算法代码实现
1、单张图片的sift特征提取、Harris角点提取、用圆圈表示SIFT特征尺度提取
代码：
1 # -*- coding: utf-8 -*- 2 from PIL import Image 3 from pylab import * 4 from PCV.localdescriptors import sift 5 from PCV.localdescriptors import harris 6 7 # 添加中文字体支持 8 from matplotlib.font_manager import FontProperties 9 font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14) 10 11 imname = ‘siftt/24.jpg‘ 12 im = array(Image.open(imname).convert(‘L‘)) 13 sift.process_image(imname, ‘24.sift‘) 14 l1, d1 = sift.read_features_from_file(‘24.sift‘) 15 16 figure() 17 gray() 18 subplot(131) 19 sift.plot_features(im, l1, circle=False) 20 title(u‘SIFT特征‘,fontproperties=font) 21 subplot(132) 22 sift.plot_features(im, l1, circle=True) 23 title(u‘用圆圈表示SIFT特征尺度‘,fontproperties=font) 24 25 # 检测harris角点 26 harrisim = harris.compute_harris_response(im) 27 28 subplot(133) 29 filtered_coords = harris.get_harris_points(harrisim, 6, 0.1) 30 imshow(im) 31 plot([p[1] for p in filtered_coords], [p[0] for p in filtered_coords], ‘*‘) 32 axis(‘off‘) 33 title(u‘Harris角点‘,fontproperties=font) 34 35 show()
原图
运行结果：
小结：由图看出，sift算法检测出来的特征点比harris角点算法检测出的角点多。sift算法测出来的特征点大多数都是重合的。
2、图像集里的所有图像的sift特征提取
代码：
1 # -*- coding: utf-8 -*- 2 from PIL import Image 3 from pylab import * 4 from PCV.localdescriptors import sift 5 from PCV.localdescriptors import harris 6 from PCV.tools.imtools import get_imlist # 导入原书的PCV模块 7 8 # 添加中文字体支持 9 from matplotlib.font_manager import FontProperties 10 font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14) 11 12 # 获取project2_data文件夹下的图片文件名(包括后缀名) 13 filelist = get_imlist(‘siftt/‘) 14 15 for infile in filelist: # 对文件夹下的每张图片进行如下操作 16 print(infile) # 输出文件名 17 18 im = array(Image.open(infile).convert(‘L‘)) 19 sift.process_image(infile, ‘infile.sift‘) 20 l1, d1 = sift.read_features_from_file(‘infile.sift‘) 21 i=1 22 23 figure(i) 24 i=i+1 25 gray() 26 27 subplot(131) 28 sift.plot_features(im, l1, circle=False) 29 title(u‘SIFT特征‘,fontproperties=font) 30 31 subplot(132) 32 sift.plot_features(im, l1, circle=True) 33 title(u‘用圆圈表示SIFT特征尺度‘,fontproperties=font) 34 35 # 检测harris角点 36 harrisim = harris.compute_harris_response(im) 37 38 subplot(133) 39 filtered_coords = harris.get_harris_points(harrisim, 6, 0.1) 40 imshow(im) 41 plot([p[1] for p in filtered_coords], [p[0] for p in filtered_coords], ‘*‘) 42 axis(‘off‘) 43 title(u‘Harris角点‘,fontproperties=font) 44 45 show()
结果截图：
3、两张图片，计算sift特征匹配结果
代码：
1 # -*- coding: utf-8 -*-
2 from PIL import Image
3 from pylab import *
4 from numpy import *
5 import os
6
7 def process_image(imagename, resultname, params="--edge-thresh 10 --peak-thresh 5"):
8 """ 处理一幅图像，然后将结果保存在文件中"""
9 if imagename[-3:] != ‘pgm‘:
10 #创建一个pgm文件
11 im = Image.open(imagename).convert(‘L‘)
12 im.save(‘tmp.pgm‘)
13 imagename =‘tmp.pgm‘
14 cmmd = str("sift "+imagename+" --output="+resultname+" "+params)
15 os.system(cmmd)
16 print ‘processed‘, imagename, ‘to‘, resultname
17
18 def read_features_from_file(filename):
19 """读取特征属性值，然后将其以矩阵的形式返回"""
20 f = loadtxt(filename)
21 return f[:,:4], f[:,4:] #特征位置，描述子
22
23 def write_featrues_to_file(filename, locs, desc):
24 """将特征位置和描述子保存到文件中"""
25 savetxt(filename, hstack((locs,desc)))
26
27 def plot_features(im, locs, circle=False):
28 """显示带有特征的图像
29 输入：im（数组图像），locs（每个特征的行、列、尺度和朝向）"""
30
31 def draw_circle(c,r):
32 t = arange(0,1.01,.01)*2*pi
33 x = r*cos(t) + c[0]
34 y = r*sin(t) + c[1]
35 plot(x, y, ‘b‘, linewidth=2)
36
37 imshow(im)
38 if circle:
39 for p in locs:
40 draw_circle(p[:2], p[2])
41 else:
42 plot(locs[:,0], locs[:,1], ‘ob‘)
43 axis(‘off‘)
44
45 def match(desc1, desc2):
46 """对于第一幅图像中的每个描述子，选取其在第二幅图像中的匹配
47 输入：desc1(第一幅图像中的描述子)，desc2(第二幅图像中的描述子)"""
48 desc1 = array([d/linalg.norm(d) for d in desc1])
49 desc2 = array([d/linalg.norm(d) for d in desc2])
50 dist_ratio = 0.6
51 desc1_size = desc1.shape
52 matchscores = zeros((desc1_size[0],1),‘int‘)
53 desc2t = desc2.T #预先计算矩阵转置
54 for i in range(desc1_size[0]):
55 dotprods = dot(desc1[i,:],desc2t) #向量点乘
56 dotprods = 0.9999*dotprods
57 # 反余弦和反排序，返回第二幅图像中特征的索引
58 indx = argsort(arccos(dotprods))
59 #检查最近邻的角度是否小于dist_ratio乘以第二近邻的角度
60 if arccos(dotprods)[indx[0]] < dist_ratio * arccos(dotprods)[indx[1]]:
61 matchscores[i] = int(indx[0])
62 return matchscores
63
64 def match_twosided(desc1, desc2):
65 """双向对称版本的match()"""
66 matches_12 = match(desc1, desc2)
67 matches_21 = match(desc2, desc1)
68 ndx_12 = matches_12.nonzero()[0]
69 # 去除不对称的匹配
70 for n in ndx_12:
71 if matches_21[int(matches_12[n])] != n:
72 matches_12[n] = 0
73 return matches_12
74
75 def appendimages(im1, im2):
76 """返回将两幅图像并排拼接成的一幅新图像"""
77 #选取具有最少行数的图像，然后填充足够的空行
78 rows1 = im1.shape[0]
79 rows2 = im2.shape[0]
80 if rows1 < rows2:
81 im1 = concatenate((im1, zeros((rows2-rows1,im1.shape[1]))),axis=0)
82 elif rows1 >rows2:
83 im2 = concatenate((im2, zeros((rows1-rows2,im2.shape[1]))),axis=0)
84 return concatenate((im1,im2), axis=1)
85
86 def plot_matches(im1,im2,locs1,locs2,matchscores,show_below=True):
87 """ 显示一幅带有连接匹配之间连线的图片
88 输入：im1, im2(数组图像), locs1,locs2（特征位置）,matchscores(match()的输出)，
89 show_below（如果图像应该显示在匹配的下方）
90 """
91 im3=appendimages(im1, im2)
92 if show_below:
93 im3=vstack((im3, im3))
94 imshow(im3)
95 cols1 = im1.shape[1]
96 for i in range(len(matchscores)):
97 if matchscores[i]>0:
98 plot([locs1[i,0],locs2[matchscores[i,0],0]+cols1], [locs1[i,1],locs2[matchscores[i,0],1]],‘c‘)
99 axis(‘off‘)
100
101 im1f = ‘siftt/25.jpg‘
102 im2f = ‘siftt/26.jpg‘
103
104 im1 = array(Image.open(im1f))
105 im2 = array(Image.open(im2f))
106
107 process_image(im1f, ‘out_sift_1.txt‘)
108 l1,d1 = read_features_from_file(‘out_sift_1.txt‘)
109 figure()
110 gray()
111 subplot(121)
112 plot_features(im1, l1, circle=False)
113
114 process_image(im2f, ‘out_sift_2.txt‘)
115 l2,d2 = read_features_from_file(‘out_sift_2.txt‘)
116 subplot(122)
117 plot_features(im2, l2, circle=False)
118
119 matches = match_twosided(d1, d2)
120 print ‘{} matches‘.format(len(matches.nonzero()[0]))
121
122 figure()
123 gray()
124 plot_matches(im1, im2, l1, l2, matches, show_below=True)
125 show()
结果截图：
小结：用siftt算法提取两张图的特征点，然后双向匹配两张图片的描述子，用线将两幅图相匹配的描述子相连，连的线越多，说明这两幅图的匹配度越高，两幅图越相似。
4、给定一张图片，输出匹配度最高的三张图片
代码：
1 # -*- coding: utf-8 -*-
2 from PIL import Image
3 from pylab import *
4 from numpy import *
5 import os
6 from PCV.tools.imtools import get_imlist # 导入原书的PCV模块
7 import matplotlib.pyplot as plt # plt 用于显示图片
8 import matplotlib.image as mpimg # mpimg 用于读取图片
9
10 def process_image(imagename, resultname, params="--edge-thresh 10 --peak-thresh 5"):
11 """ 处理一幅图像，然后将结果保存在文件中"""
12 if imagename[-3:] != ‘pgm‘:
13 #创建一个pgm文件
14 im = Image.open(imagename).convert(‘L‘)
15 im.save(‘tmp.pgm‘)
16 imagename =‘tmp.pgm‘
17 cmmd = str("sift "+imagename+" --output="+resultname+" "+params)
18 os.system(cmmd)
19 print ‘processed‘, imagename, ‘to‘, resultname
20
21 def read_features_from_file(filename):
22 """读取特征属性值，然后将其以矩阵的形式返回"""
23 f = loadtxt(filename)
24 return f[:,:4], f[:,4:] #特征位置，描述子
25
26 def write_featrues_to_file(filename, locs, desc):
27 """将特征位置和描述子保存到文件中"""
28 savetxt(filename, hstack((locs,desc)))
29
30 def plot_features(im, locs, circle=False):
31 """显示带有特征的图像
32 输入：im（数组图像），locs（每个特征的行、列、尺度和朝向）"""
33
34 def draw_circle(c,r):
35 t = arange(0,1.01,.01)*2*pi
36 x = r*cos(t) + c[0]
37 y = r*sin(t) + c[1]
38 plot(x, y, ‘b‘, linewidth=2)
39
40 imshow(im)
41 if circle:
42 for p in locs:
43 draw_circle(p[:2], p[2])
44 else:
45 plot(locs[:,0], locs[:,1], ‘ob‘)
46 axis(‘off‘)
47
48 def match(desc1, desc2):
49 """对于第一幅图像中的每个描述子，选取其在第二幅图像中的匹配
50 输入：desc1(第一幅图像中的描述子)，desc2(第二幅图像中的描述子)"""
51 desc1 = array([d/linalg.norm(d) for d in desc1])
52 desc2 = array([d/linalg.norm(d) for d in desc2])
53 dist_ratio = 0.6
54 desc1_size = desc1.shape
55 matchscores = zeros((desc1_size[0],1),‘int‘)
56 desc2t = desc2.T #预先计算矩阵转置
57 for i in range(desc1_size[0]):
58 dotprods = dot(desc1[i,:],desc2t) #向量点乘
59 dotprods = 0.9999*dotprods
60 # 反余弦和反排序，返回第二幅图像中特征的索引
61 indx = argsort(arccos(dotprods))
62 #检查最近邻的角度是否小于dist_ratio乘以第二近邻的角度
63 if arccos(dotprods)[indx[0]] < dist_ratio * arccos(dotprods)[indx[1]]:
64 matchscores[i] = int(indx[0])
65 return matchscores
66
67 def match_twosided(desc1, desc2):
68 """双向对称版本的match()"""
69 matches_12 = match(desc1, desc2)
70 matches_21 = match(desc2, desc1)
71 ndx_12 = matches_12.nonzero()[0]
72 # 去除不对称的匹配
73 for n in ndx_12:
74 if matches_21[int(matches_12[n])] != n:
75 matches_12[n] = 0
76 return matches_12
77
78 def appendimages(im1, im2):
79 """返回将两幅图像并排拼接成的一幅新图像"""
80 #选取具有最少行数的图像，然后填充足够的空行
81 rows1 = im1.shape[0]
82 rows2 = im2.shape[0]
83 if rows1 < rows2:
84 im1 = concatenate((im1, zeros((rows2-rows1,im1.shape[1]))),axis=0)
85 elif rows1 >rows2:
86 im2 = concatenate((im2, zeros((rows1-rows2,im2.shape[1]))),axis=0)
87 return concatenate((im1,im2), axis=1)
88
89 def plot_matches(im1,im2,locs1,locs2,matchscores,show_below=True):
90 """ 显示一幅带有连接匹配之间连线的图片
91 输入：im1, im2(数组图像), locs1,locs2（特征位置）,matchscores(match()的输出)，
92 show_below（如果图像应该显示在匹配的下方）
93 """
94 im3=appendimages(im1, im2)
95 if show_below:
96 im3=vstack((im3, im3))
97 imshow(im3)
98 cols1 = im1.shape[1]
99 for i in range(len(matchscores)):
100 if matchscores[i]>0:
101 plot([locs1[i,0],locs2[matchscores[i,0],0]+cols1], [locs1[i,1],locs2[matchscores[i,0],1]],‘c‘)
102 axis(‘off‘)
103
104 # 获取project2_data文件夹下的图片文件名(包括后缀名)
105 filelist = get_imlist(‘project2_data/‘)
106
107 # 输入的图片
108 im1f = ‘23.jpg‘
109 im1 = array(Image.open(im1f))
110 process_image(im1f, ‘out_sift_1.txt‘)
111 l1, d1 = read_features_from_file(‘out_sift_1.txt‘)
112
113 i=0
114 num = [0]*30 #存放匹配值
115 for infile in filelist: # 对文件夹下的每张图片进行如下操作
116 im2 = array(Image.open(infile))
117 process_image(infile, ‘out_sift_2.txt‘)
118 l2, d2 = read_features_from_file(‘out_sift_2.txt‘)
119 matches = match_twosided(d1, d2)
120 num[i] = len(matches.nonzero()[0])
121 i=i+1
122 print ‘{} matches‘.format(num[i-1]) #输出匹配值
123
124 i=1
125 figure()
126 while i<4: #循环三次，输出匹配最多的三张图片
127 index=num.index(max(num))
128 print index, filelist[index]
129 lena = mpimg.imread(filelist[index]) # 读取当前匹配最大值的图片
130 # 此时 lena 就已经是一个 np.array 了，可以对它进行任意处理
131 # lena.shape # (512, 512, 3)
132 subplot(1,3,i)
133 plt.imshow(lena) # 显示图片
134 plt.axis(‘off‘) # 不显示坐标轴
135 num[index] = 0 #将当前最大值清零
136 i=i+1
137 show()
结果截图：
给定的图片
输出的图片
小结：通过用给定的图匹配图像集中的每张图片的描述子，然后用线与图像集中的图片的描述子相连，匹配度最高的图片就会被输出。
六、SIFT实验总结
1、sift算法提取特征点稳定，不会因为光照、旋转、尺度等因素而改变图像的特征点。
2、图像的尺度越大，图像就会越模糊。
3、sift算法可以对多张图像进行快速的、准确的关键点匹配，产生大量的特征点，可以适用于生活中的很多运用。
4、sift算法提取的特征点会有重叠。
5、在用sift算法提取特征时，应该降低图片的像素，像素过高会导致运行时间过长或失败。
原文地址：https://www.cnblogs.com/wyf-1999-1--6/p/12442690.html
时间： 2024-10-09 02:19:24