當(dāng)前位置：首頁 >

SURF与SIFT比较分析

發(fā)布時(shí)間：2023/11/27 27 豆豆

生活随笔收集整理的這篇文章主要介紹了 SURF与SIFT比较分析小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

?

opencv3.2 SURF實(shí)現(xiàn)特征點(diǎn)匹配

opencv3.2中SurfFeatureDetector、SurfDescriptorExtractor、BruteForceMatcher這三個(gè)的使用方法已經(jīng)和原先2.4版本前不一樣了。

使用方法示例如下：

 Ptr<SURF> detector = SURF::create(minHessian);detector->detect(img_1, keypoints_1);Ptr<SURF> extractor = SURF::create();extractor->compute(img_1, keypoints_1, descriptors_1);Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce");//這里填寫使用的匹配方式
matcher->match(descriptors_1, descriptors_2, matches);

debug版本detect函數(shù)運(yùn)行時(shí)會(huì)報(bào)錯(cuò)，內(nèi)存訪問錯(cuò)誤什么的，，，，，?
具體原因還不知道，網(wǎng)上查找資料修改圖片type為CV_8U，和給vector手動(dòng)分配空間，實(shí)測(cè)沒有用，但是改為release版本可以使用。

代碼：

#include<opencv2/features2d/features2d.hpp>
#include<opencv2/opencv.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<opencv2/xfeatures2d/nonfree.hpp>
#include<opencv2/core/core.hpp>#include<iostream>
using namespace std;
using namespace cv;
using namespace cv::xfeatures2d;
int main()
{Mat srcImage1 = imread("3.jpg", 1);Mat srcImage2 = imread("4.jpg",1);if (!srcImage1.data || !srcImage2.data){cout << "讀取圖片出錯(cuò)" << endl;return false;}imshow("原始圖1",srcImage1);imshow("原始圖2", srcImage2);int minHessian = 100;Ptr<SurfFeatureDetector> detector = SurfFeatureDetector::create(minHessian);vector<cv::KeyPoint> key_points_1, key_points_2;Mat dstImage1, dstImage2;detector->detectAndCompute(srcImage1,Mat(), key_points_1,dstImage1);detector->detectAndCompute(srcImage2,Mat(), key_points_2,dstImage2);//可以分成detect和computeMat img_keypoints_1, img_keypoints_2;drawKeypoints(srcImage1,key_points_1,img_keypoints_1,Scalar::all(-1),DrawMatchesFlags::DEFAULT);drawKeypoints(srcImage2, key_points_2, img_keypoints_2, Scalar::all(-1),DrawMatchesFlags::DEFAULT);Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("FlannBased");vector<DMatch>mach;matcher->match(dstImage1,dstImage2,mach);double Max_dist = 0;double Min_dist = 100;for (int i = 0; i < dstImage1.rows; i++){double dist = mach[i].distance;if (dist < Min_dist)Min_dist = dist;if (dist > Max_dist)Max_dist = dist;}cout << "最短距離" << Min_dist << endl;cout << "最長距離" << Max_dist << endl;vector<DMatch>goodmaches;for (int i = 0; i < dstImage1.rows; i++){if (mach[i].distance < 2 * Min_dist)goodmaches.push_back(mach[i]);}Mat img_maches;drawMatches(srcImage1,key_points_1,srcImage2,key_points_2,goodmaches,img_maches);for (int i = 0; i < goodmaches.size(); i++){cout << "符合條件的匹配：" << goodmaches[i].queryIdx << "--" << goodmaches[i].trainIdx << endl;}imshow("效果圖1", img_keypoints_1);imshow("效果圖2", img_keypoints_2);imshow("匹配效果",img_maches);waitKey(0);return 0;
}

SURF與SIFT

共同點(diǎn)：

SIFT/SURF為了實(shí)現(xiàn)不同圖像中相同場(chǎng)景的匹配，主要包括三個(gè)步驟：

1、尺度空間的建立；

2、特征點(diǎn)的提取；

3、利用特征點(diǎn)周圍鄰域的信息生成特征描述子

4、特征點(diǎn)匹配。

? 推薦：http://blog.csdn.net/cy513/archive/2009/08/05/4414352.aspx

? ? ? 如果兩幅圖像中的物體一般只是旋轉(zhuǎn)和縮放的關(guān)系，加上圖像的亮度及對(duì)比度的不同，要在這些條件下要實(shí)現(xiàn)物體之間的匹配，SIFT算法的先驅(qū)及其發(fā)明者想到只要找到多于三對(duì)物體間的匹配點(diǎn)就可以通過射影幾何的理論建立它們的一一對(duì)應(yīng)。

? ? ? 如何找到這樣的匹配點(diǎn)呢？SIFT/SURF作者的想法是首先找到圖像中的一些“穩(wěn)定點(diǎn)”，這些點(diǎn)是一些特殊的點(diǎn)，不會(huì)因?yàn)橐暯堑母淖儭⒐庹盏淖兓⒃胍舻母蓴_而消失，比如角點(diǎn)、邊緣點(diǎn)、暗區(qū)域的亮點(diǎn)以及亮區(qū)域的暗點(diǎn)。這樣如果兩幅圖像中有相同的景物，那么這些穩(wěn)定點(diǎn)就會(huì)在兩幅圖像的相同景物上同時(shí)出現(xiàn)，這樣就能實(shí)現(xiàn)匹配。因此，SIFT/SURF算法的基礎(chǔ)是穩(wěn)定點(diǎn)。

? ? ? SIFT/SURF提取的穩(wěn)定點(diǎn)，首先都要求是局部極值。但是，當(dāng)兩個(gè)物體的大小比例不一樣時(shí)，大圖像的局部極值點(diǎn)在小圖像的對(duì)應(yīng)位置上有可能不是極值點(diǎn)。于是SIFT/SURF都采用圖像金字塔的方法，每一個(gè)截面與原圖像相似，這樣兩個(gè)金字塔中就有可能包含大小最近似的兩個(gè)截面了。

? ? ? 這樣找到的特征點(diǎn)會(huì)比較多，經(jīng)過一些處理后濾掉一些相對(duì)不穩(wěn)定的點(diǎn)。

? ? ? 接下來如何去匹配相同物體上對(duì)應(yīng)的點(diǎn)呢？SIFT/SURF的作者都想到以特征點(diǎn)為中心，在周圍鄰域內(nèi)統(tǒng)計(jì)特征，將特征附加到穩(wěn)定點(diǎn)上，生成特征描述子。在遇到旋轉(zhuǎn)的情況下，作者們都決定找出一個(gè)主方向，然后以這個(gè)方向?yàn)閰⒖甲鴺?biāo)進(jìn)行后面的特征統(tǒng)計(jì)，就解決了旋轉(zhuǎn)的問題。

共同的大問題有以下幾個(gè)：

1、為什么選用高斯金字塔來作特征提取？

? ? ? 為什么是DOG的金字塔？因?yàn)樗咏麹OG，而LOG的極值點(diǎn)提供了最穩(wěn)定的特征，而且DOG方便計(jì)算（只要做減法。）

? ? ? 為什么LOG的極值點(diǎn)提供的特征最穩(wěn)定，有參考文獻(xiàn)，未看。

???? (7.12補(bǔ)充：)直觀理解：特征明顯的點(diǎn)經(jīng)過不同尺度的高斯濾波器進(jìn)行濾波后，差別較大，所以用到的是DOG。

? ? ? 但是直觀上怎么理解？如果相鄰Octave的sigma不是兩倍關(guān)系還好理解：如果兩幅圖像只是縮放的關(guān)系，那么假設(shè)第一個(gè)Octave找到了小一倍圖像的極值點(diǎn)，那么大一倍圖像的極值點(diǎn)會(huì)在下一個(gè)Octave找到相似的。但是現(xiàn)在，如果把大一倍圖像進(jìn)行一次下采樣（這樣和小的圖像就完全一樣了），進(jìn)行Gauss濾波時(shí)，兩個(gè)圖像濾波系數(shù)（sigma）是不一樣的，不就找不到一樣的極值點(diǎn)了么？不理解。

2、Hessian矩陣為什么能用來篩選極值點(diǎn)？

? ? ? SIFT先利用非極大抑制，再用到Hessian矩陣進(jìn)行濾除。SURF先用Hessian矩陣，再進(jìn)行非極大抑制。SURF的順序可以加快篩選速度么？（Hessian矩陣濾除的點(diǎn)更多？）

? ? ? 至于SURF先用Hessian矩陣，再進(jìn)行非極大抑制的原因，是不管先極大值抑制還是判斷Hessian矩陣的行列式，金字塔上的點(diǎn)的行列式都是要計(jì)算出來的。先判斷是否大于0只要進(jìn)行1次判斷，而判斷是否是極大值點(diǎn)或者極小值點(diǎn)要與周圍26個(gè)點(diǎn)比較，只比較1次肯定快。

? ? ? 而在SIFT中，構(gòu)建的高斯金字塔只有一座（不想SURF是有3座），要進(jìn)行非極大抑制可以直接用金字塔的結(jié)果進(jìn)行比較。而如果計(jì)算Hessian矩陣的行列式，還要再計(jì)算Dxx、Dxy、Dyy。因此先進(jìn)行非極大抑制。這兩個(gè)步驟的先后與SIFT/SURF的實(shí)際計(jì)算情況有關(guān)的，都是當(dāng)前算法下的最佳順序，而不是說哪種先計(jì)算一定更好。

3、為什么采用梯度特征作為局部不變特征？

? ? ? 這與人的視覺神經(jīng)相關(guān)。采用梯度作為描述子的原因是，人的視覺皮層上的神經(jīng)元對(duì)特定方向和空間頻率的梯度相應(yīng)很敏感，經(jīng)過SIFT作者的一些實(shí)驗(yàn)驗(yàn)證，用梯度的方法進(jìn)行匹配效果很好。

4、為什么可以采用某些特征點(diǎn)的局部不變特征進(jìn)行整幅圖像的匹配？

從直觀的人類視覺印象來看，人類視覺對(duì)物體的描述也是局部化的，基于局部不變特征的圖像識(shí)別方法十分接近于人類視覺機(jī)理，通過局部化的特征組合，形成對(duì)目標(biāo)物體的整體印象，這就為局部不變特征提取方法提供了生物學(xué)上的解釋，因此局部不變特征也得到了廣泛應(yīng)用。

? ? ? 還有：

? ? ? 圖像中的每個(gè)局部區(qū)域的重要性和影響范圍并非同等重要，即特征不是同等顯著的，其主要理論來源是Marr的計(jì)算機(jī)視覺理論和Treisman的特征整合理論，一般也稱為“原子論”。該理論認(rèn)為視覺的過程開始于對(duì)物體的特征性質(zhì)和簡單組成部分的分析，是從局部性質(zhì)到大范圍性質(zhì)。

? ? ? SIFT/SURF都是對(duì)特征點(diǎn)的局部區(qū)域的描述，這些特征點(diǎn)應(yīng)該是影響重要的點(diǎn)，對(duì)這些點(diǎn)的分析更加重要。所以在局部不變特征的提取和描述時(shí)也遵循與人眼視覺注意選擇原理相類似的機(jī)制，所以SIFT/SURF用于匹配有效果。

不同點(diǎn)的比較：

總結(jié)

?	SIFT	SURF
尺度空間	DOG與不同尺度的圖片卷積	不同尺度的box filters與原圖片卷積
特征點(diǎn)檢測(cè)	先進(jìn)行非極大抑制，再去除低對(duì)比度的點(diǎn)。再通過Hessian矩陣去除邊緣的點(diǎn)	先利用Hessian矩陣確定候選點(diǎn)，然后進(jìn)行非極大抑制
方向	在正方形區(qū)域內(nèi)統(tǒng)計(jì)梯度的幅值的直方圖，找max對(duì)應(yīng)的方向。可以有多個(gè)方向。	在圓形區(qū)域內(nèi)，計(jì)算各個(gè)扇形范圍內(nèi)x、y方向的haar小波響應(yīng)，找模最大的扇形方向
特征描述子	1616的采樣點(diǎn)劃分為44的區(qū)域，計(jì)算每個(gè)區(qū)域的采樣點(diǎn)的梯度方向和幅值，統(tǒng)計(jì)成8bin直方圖，一共448=128維	2020s的區(qū)域劃分為44的子區(qū)域，每個(gè)子區(qū)域找55個(gè)采樣點(diǎn)，計(jì)算采樣點(diǎn)的haar小波響應(yīng)，記錄∑dx,?∑dy,∑\|dx\|,∑\|dy\|，一共44*4=64維

?SURF—金字塔僅僅是用來做特征點(diǎn)的檢測(cè)。在計(jì)算描述子的時(shí)候，haar小波響應(yīng)是計(jì)算在原圖像（利用積分圖）。而SIFT是計(jì)算在高斯金字塔上（注意不是高斯差分金字塔。）

性能的比較：

論文：A comparison of SIFT, PCA-SIFT and SURF??對(duì)三種方法給出了性能上的比較，源圖片來源于Graffiti dataset，對(duì)原圖像進(jìn)行尺度、旋轉(zhuǎn)、模糊、亮度變化、仿射變換等變化后，再與原圖像進(jìn)行匹配，統(tǒng)計(jì)匹配的效果。效果以可重復(fù)出現(xiàn)性為評(píng)價(jià)指標(biāo)。

比較的結(jié)果如下：

method	Time	Scale	Rotation	Blur	Illumination	Affine
Sift	common	best	best	common	common	good
Pca-sift	good	good	good	best	good	best
Surf?	best	common	common	good	best	good

????

由此可見，SIFT在尺度和旋轉(zhuǎn)變換的情況下效果最好，SURF在亮度變化下匹配效果最好，在模糊方面優(yōu)于SIFT，而尺度和旋轉(zhuǎn)的變化不及SIFT，旋轉(zhuǎn)不變上比SIFT差很多。速度上看，SURF是SIFT速度的3倍。

參考:

http://apps.hi.baidu.com/share/detail/32318290

http://blog.csdn.net/ijuliet/archive/2009/10/07/4640624.aspx

http://blog.csdn.net/cy513/article/details/4414352

http://www.cnblogs.com/mysunnyday/archive/2011/08/31/2160298.html

https://blog.csdn.net/xxzxxzdlut/article/details/72926011

總結(jié)

以上是生活随笔為你收集整理的SURF与SIFT比较分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。