?博客主頁：米開朗琪羅~🎈
?博主愛好：羽毛球🏸
?年輕人要：Living for the moment（活在當下）！💪
🏆推薦專欄：【圖像處理】【千錘百煉Python】【深度學習】【排序算法】

目錄

• 😺一、什么是SIFT算法
• 😺二、準備工作
• • 🐶2.1 實驗設備
  • 🐶2.2 OpenCV安裝
• 😺三、實驗工作
• • 🐶3.1 圖像選擇
  • 🐶3.2 程序實現
  • 🐶3.3 程序結果

本文側重于如何使用Python語言實現SIFT算法

所有程序已打包：基于OpenCV-Python的SIFT算法的實現

😺一、什么是SIFT算法

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

😺二、準備工作

🐶2.1 實驗設備

??本文在Windows10系統上，使用pycharm軟件完成所有實驗。

🐶2.2 OpenCV安裝

??我們可以使用OpenCV庫中的cv2.xfeatures2d.SIFT_create()函數實現SIFT，但由于專利保護，很多版本的OpenCV庫已無法提供該函數，目前僅3.4.2.16版本的OpenCV庫可使用此函數。

安裝教程：
??（1）查看當前版本opencv：進入cmd（組合鍵win+R，輸入cmd），輸入conda list，查看當前pycharm所有庫并找到opencv-python，若找不到庫，說明沒有安裝。
??（2）卸載原版本（在cmd中輸入：pip uninstall opencv）
??（3）安裝新版本（在cmd中輸入：pip install opencv-python==3.4.2.16 -i "https://pypi.doubanio.com/simple/"
??（4）安裝附屬庫（在cmd中輸入：pip install opencv-contrib-python==3.4.2.16 -i "https://pypi.doubanio.com/simple/"）

😺三、實驗工作

🐶3.1 圖像選擇

??這里選擇經典的lena圖像作為實驗對象，為了選擇一個待匹配圖像，本文使用如下代碼對lena圖像進行逆時針45°旋轉。

from PIL import Imageimg = Image.open('lena.png') img2 = img.rotate(45) # 逆時針旋轉45° img2.save("lena_rot45.png") img2.show()

參考圖像與待匹配圖像（即旋轉圖像）如下圖所示：

🐶3.2 程序實現

""" 圖像匹配——SIFT點特征匹配實現步驟：（1）讀取圖像；（2）定義sift算子；（3）通過sift算子對需要匹配的圖像進行特征點獲取；a.可獲取各匹配圖像經過sift算子的特征點數目（4）可視化特征點（在原圖中標記為圓圈）；a.為方便觀察，可將匹配圖像橫向拼接（5）圖像匹配（特征點匹配）；a.通過調整ratio獲取需要進行圖像匹配的特征點數量（ratio值越大，匹配的線條越密集，但錯誤匹配點也會增多）b.通過索引ratio選擇固定的特征點進行圖像匹配（6）將待匹配圖像通過旋轉、變換等方式將其與目標圖像對齊 """import cv2 # opencv版本需為3.4.2.16 import numpy as np # 矩陣運算庫 import time # 時間庫original_lena = cv2.imread('lena.png') # 讀取lena原圖 lena_rot45 = cv2.imread('lena_rot45.png') # 讀取lena旋轉45°圖sift = cv2.xfeatures2d.SIFT_create()# 獲取各個圖像的特征點及sift特征向量 # 返回值kp包含sift特征的方向、位置、大小等信息；des的shape為（sift_num， 128）， sift_num表示圖像檢測到的sift特征數量 (kp1, des1) = sift.detectAndCompute(original_lena, None) (kp2, des2) = sift.detectAndCompute(lena_rot45, None)# 特征點數目顯示 print("=========================================") print("=========================================") print('lena 原圖 特征點數目：', des1.shape[0]) print('lena 旋轉圖 特征點數目：', des2.shape[0]) print("=========================================") print("=========================================")# 舉例說明kp中的參數信息 for i in range(2):print("關鍵點", i)print("數據類型:", type(kp1[i]))print("關鍵點坐標:", kp1[i].pt)print("鄰域直徑:", kp1[i].size)print("方向:", kp1[i].angle)print("所在的圖像金字塔的組:", kp1[i].octave)print("=========================================") print("=========================================") """ 首先對原圖和旋轉圖進行特征匹配，即圖original_lena和圖lena_rot45 """ # 繪制特征點，并顯示為紅色圓圈 sift_original_lena = cv2.drawKeypoints(original_lena, kp1, original_lena, color=(255, 0, 255)) sift_lena_rot45 = cv2.drawKeypoints(lena_rot45, kp2, lena_rot45, color=(255, 0, 255))sift_cat1 = np.hstack((sift_original_lena, sift_lena_rot45)) # 對提取特征點后的圖像進行橫向拼接 cv2.imwrite("sift_cat1.png", sift_cat1) print('原圖與旋轉圖 特征點繪制圖像已保存') cv2.imshow("sift_point1", sift_cat1) cv2.waitKey()# 特征點匹配 # K近鄰算法求取在空間中距離最近的K個數據點，并將這些數據點歸為一類 start = time.time() # 計算匹配點匹配時間 bf = cv2.BFMatcher() matches1 = bf.knnMatch(des1, des2, k=2) print('用于 原圖和旋轉圖 圖像匹配的所有特征點數目：', len(matches1))# 調整ratio # ratio=0.4：對于準確度要求高的匹配； # ratio=0.6：對于匹配點數目要求比較多的匹配； # ratio=0.5：一般情況下。 ratio1 = 0.5 good1 = []for m1, n1 in matches1:# 如果最接近和次接近的比值大于一個既定的值，那么我們保留這個最接近的值，認為它和其匹配的點為good_matchif m1.distance < ratio1 * n1.distance:good1.append([m1])end = time.time() print("匹配點匹配運行時間:%.4f秒" % (end-start))# 通過對good值進行索引，可以指定固定數目的特征點進行匹配，如good[:20]表示對前20個特征點進行匹配 match_result1 = cv2.drawMatchesKnn(original_lena, kp1, lena_rot45, kp2, good1, None, flags=2) cv2.imwrite("match_result1.png", match_result1)print('原圖與旋轉圖 特征點匹配圖像已保存') print("=========================================") print("=========================================") print("原圖與旋轉圖匹配對的數目:", len(good1))for i in range(2):print("匹配", i)print("數據類型:", type(good1[i][0]))print("描述符之間的距離:", good1[i][0].distance)print("查詢圖像中描述符的索引:", good1[i][0].queryIdx)print("目標圖像中描述符的索引:", good1[i][0].trainIdx)print("=========================================") print("=========================================") cv2.imshow("original_lena and lena_rot45 feature matching result", match_result1) cv2.waitKey()# 將待匹配圖像通過旋轉、變換等方式將其與目標圖像對齊，這里使用單應性矩陣。 # 單應性矩陣有八個參數，如果要解這八個參數的話，需要八個方程，由于每一個對應的像素點可以產生2個方程(x一個，y一個)，那么總共只需要四個像素點就能解出這個單應性矩陣。 if len(good1) > 4:ptsA = np.float32([kp1[m[0].queryIdx].pt for m in good1]).reshape(-1, 1, 2)ptsB = np.float32([kp2[m[0].trainIdx].pt for m in good1]).reshape(-1, 1, 2)ransacReprojThreshold = 4# RANSAC算法選擇其中最優的四個點H, status =cv2.findHomography(ptsA, ptsB, cv2.RANSAC, ransacReprojThreshold)imgout = cv2.warpPerspective(lena_rot45, H, (original_lena.shape[1], original_lena.shape[0]),flags=cv2.INTER_LINEAR + cv2.WARP_INVERSE_MAP)cv2.imwrite("imgout.png", imgout)cv2.imshow("lena_rot45's result after transformation", imgout)cv2.waitKey()

🐶3.3 程序結果

總結

以上是生活随笔為你收集整理的【Python】：SIFT算法的实现的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。