SIFT特征提取

1. 介绍&应用

简介

SIFT（Scale-invariant feature transform）是一种检测局部特征的算法，该算法通过求一幅图中的特征点（interest points,or corner points）及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配，获得了良好效果，详细解析如下：

算法描述：SIFT特征不只具有尺度不变性，即使改变旋转角度，图像亮度或拍摄视角，仍然能够得到好的检测效果。

应用

一个比较经典的例子就是对于同一个事物，假设是熟悉的小明同学：对于人而言，小明无论是站着、趴着，或者是面对面、距离50米，都能够将小明认出来（不会因为距离远就认成小红）。而相同的辨别能力对于电脑而言是比较具有挑战性的，但是SIFT特征提取就能够做到这一点：对于一张图像，SIFT的做法在于提前为这个图像构建了尺度空间，这里不妨先将尺度空间简单地理解成为同一个事物的图像在不同大小（假设有O种尺寸）以及分辨率下（假设有L种分辨率）的若干组图像（其实是O组，每组有L张），我们可以用(O,L)来标记这个尺度空间，并用(o,l)来唯一标识尺度空间中对应尺度为o、分辨率为l的图像，(o,l)说成是该尺度空间的坐标倒也并不过分。

个人：对于尺度空间中的所有图片，SIFT都提供了统一的特征提取算法，这样，电脑就提前了解同一个事物在不同距离（尺寸、分辨率模拟）下的样子，由此，电脑就也可以具有上述能力了。

总之

一个叫Lowe的人提出了SIFT特征提取算法，opencv中也由此提供了相应的函数，如果原理看不懂，那就记下：根据SIFT提取算法可以实现图像特征点匹配时的尺度不变性，即可以从一堆对象中根据特征点找到想要匹配的图像，如下图

蓝色的线就是相同事物特征点的匹配结果（连线）

自然，实现电脑识别出一个距离很远的物体也是水到渠成了。

2. 图像金字塔

上述不同尺寸、分辨率专业来讲就是图像金字塔了，图像金字塔有三种：高斯金字塔、差分金字塔（DOG）和拉普拉斯金字塔（Laplacian Pyramid）。可以说高斯金字塔就是为差分金字塔而设计的；而拉普拉斯金字塔则以高斯金字塔为基础创建，用于保存图像在向不同尺寸、分辨率下转换时丢失的一些信息（图像变大自然不会是无损的，而这些损失可以用拉普拉斯金字塔来记录一部分）。

步骤

获得图像金字塔一般包括两个步骤：

1. 利用低通滤波器平滑图像
2. 对平滑图像进行抽样（采样）

1）低通滤波：

滤波，实际上是信号处理里的一个概念，而图像本身也可以看成是一个二维的信号，其中像素点灰度值的高低代表信号的强弱。对应的高低频的意义：

高频：图像中灰度变化剧烈的点，一般是图像轮廓或者是噪声。

低频：图像中平坦的，灰度变化不大的点，图像中的大部分区域。

图中白点就是噪声了，能够明显看出白点处灰度变化剧烈的点。

根据图像的高频与低频的特征，我们可以设计相应的高通与低通滤波器，高通滤波可以检测图像中尖锐、变化明显的地方；低通滤波可以让图像变得光滑，滤除图像中的噪声。OpenCV中提供的低通滤波有：线性的均值滤波器、高斯滤波器，非线性的双边滤波器、中值滤波器；高通滤波有基于Canny，Sobel等各种边缘滤波。这里大家可以看到低通滤波和高通滤波其实是相互矛盾的，但很多时候在做边缘检测前我们又需要进行低通滤波来降噪，这里就需要调节参数在保证高频的边缘不丢失的前提下尽可能的多去除图片的噪点。

2）采样

简单来看：下采样就是图片缩小，上采样就是图片放大。