一、理論知識

Scale Invariant Feature Transform，尺度不變特徵變換匹配算法，對於算法的理論介紹，可以參考這篇文章http://blog.csdn.net/qq_20823641/article/details/51692415，裏面很詳細，可以更好的學習。這裏就不多介紹。後面就挑選重點的來說

二、SIFT 主要思想

SIFT算法是一種提取局部特徵的算法，在尺度空間尋找極值點，提取位置，尺度，旋轉不變量。

三、SIFT算法的主要特點：

a) SIFT特徵是圖像的局部特徵，其對旋轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定程度的穩定性。

b) 獨特性(Distinctiveness)好，信息量豐富，適用於在海量特徵數據庫中進行快速、準確的匹配^[23]。

c) 多量性，即使少數的幾個物體也可以產生大量SIFT特徵向量。

d) 高速性，經優化的SIFT匹配算法甚至可以達到實時的要求。

e) 可擴展性，可以很方便的與其他形式的特徵向量進行聯合。

四、SIFT算法步驟：

1）檢測尺度空間極值點

2）精確定位極值點

3）爲每個關鍵點指定方向參數

4）關鍵點描述子的生成

五、程序過程

使用SiftFeatureDetector的detect方法檢測特徵存入一個向量裏，並使用drawKeypoints在圖中標識出來
SiftDescriptorExtractor 的compute方法提取特徵描述符，特徵描述符是一個矩陣
使用匹配器matcher對描述符進行匹配，匹配結果保存由DMatch的組成的向量裏
設置距離閾值，使得匹配的向量距離小於最小距離的2被才能進入最終的結果，用DrawMatch可以顯示

六、函數簡介

SIFT::SIFT(int nfeatures=0, int nOctaveLayers=3, double contrastThreshold=0.04, double edgeThreshold=  10, double sigma=1.6)

nfeatures：特徵點數目（算法對檢測出的特徵點排名，返回最好的nfeatures個特徵點）。
nOctaveLayers：金字塔中每組的層數（算法中會自己計算這個值，後面會介紹）。
contrastThreshold：過濾掉較差的特徵點的對閾值。contrastThreshold越大，返回的特徵點越少。
edgeThreshold：過濾掉邊緣效應的閾值。edgeThreshold越大，特徵點越多（被多濾掉的越少）。
sigma：金字塔第0層圖像高斯濾波係數，也就是σ。

void SIFT::operator()(InputArray img, InputArray mask, vector<KeyPoint>& keypoints, OutputArray  
descriptors, bool useProvidedKeypoints=false)

img：8bit灰度圖像
mask：圖像檢測區域（可選）
keypoints：特徵向量矩陣
descipotors：特徵點描述的輸出向量（如果不需要輸出，需要傳cv::noArray()）。
useProvidedKeypoints：是否進行特徵點檢測。ture，則檢測特徵點；false，只計算圖像特徵描述

<p>class keyPoint{<span style="font-family: Arial;">Point2f pt;</span><span style="font-family: Arial;">float size;</span><span style="font-family: Arial;">float angle;</span><span style="font-family: Arial;">float response;i</span><span style="font-family: Arial;">nt octave;</span><span style="font-family: Arial;">int class_id;</span><span style="font-family: Arial;">}</span></p>

<span style="font-size:18px;">void drawMatches(const Mat&img1, const vector<KeyPoint>&keypoints1, const Mat&img2, const vector<KeyPoint>&keypoints2, 
const vector<DMatch>&matches1to2, Mat&outImg, const Scalar&matchColor=Scalar::all(-1), 
const Scalar&singlePointColor=Scalar::all(-1), const vector<char>&matchesMask=vector<char>(), 
intflags=DrawMatchesFlags::DEFAULT)</span>

Parameters:	img1 – 源圖像1 keypoints1 –源圖像1的特徵點. img2 – 源圖像2. keypoints2 – 源圖像2的特徵點 matches1to2 – 源圖像1的特徵點匹配源圖像2的特徵點`[matches[i]]` . outImg – 輸出圖像具體由flags決定. matchColor – 匹配的顏色（特徵點和連線),若`matchColor==Scalar::all(-1)，顏色隨機.` singlePointColor – 單個點的顏色，即未配對的特徵點，若`matchColor==Scalar::all(-1)，顏色隨機.` matchesMask – Mask決定哪些點將被畫出，若爲空，則畫出所有匹配點. flags – Fdefined by `DrawMatchesFlags`.

Parameters:

img1 – 源圖像1
keypoints1 –源圖像1的特徵點.
img2 – 源圖像2.
keypoints2 – 源圖像2的特徵點
matches1to2 – 源圖像1的特徵點匹配源圖像2的特徵點[matches[i]] .
outImg – 輸出圖像具體由flags決定.
matchColor – 匹配的顏色（特徵點和連線),若matchColor==Scalar::all(-1)，顏色隨機.
singlePointColor – 單個點的顏色，即未配對的特徵點，若matchColor==Scalar::all(-1)，顏色隨機.
matchesMask – Mask決定哪些點將被畫出，若爲空，則畫出所有匹配點.
flags – Fdefined by DrawMatchesFlags.

七、函數注意事項

1.生成一個SiftFeatureDetector的對象，這個對象顧名思義就是SIFT特徵的探測器，用它來探測衣服圖片中SIFT點的特徵，存到一個KeyPoint類型的vector中，keypoint只是保存了opencv的sift庫檢測到的特徵點的一些基本信息，但sift所提取出來的特徵向量其實不是在這個裏面，特徵向量通過SiftDescriptorExtractor 提取，結果放在一個Mat的數據結構中。這個數據結構才真正保存了該特徵點所對應的特徵向量。
2.keypoint只是達到了關鍵點的位置，方向等信息，並無該特徵點的特徵向量，要想提取得到特徵向量就還要進行SiftDescriptorExtractor 的工作，建立了SiftDescriptorExtractor 對象後，通過該對象，對之前SIFT產生的特徵點進行遍歷，找到該特徵點所對應的128維特徵向量

八、示例

<span style="font-size:18px;">#include <opencv2/opencv.hpp>
#include <opencv2/features2d/features2d.hpp>
#include<opencv2/nonfree/nonfree.hpp>
#include<opencv2/legacy/legacy.hpp>
#include<vector>
using namespace std;
using namespace cv;
int main(int argc,uchar* argv[])
{
    const char* imagename = "hand1.jpg";
    //從文件中讀入圖像
    Mat img = imread(imagename);
    Mat img2=imread("hand3.jpg");
    //如果讀入圖像失敗
    if(img.empty())
    {
            fprintf(stderr, "Can not load image %s\n", imagename);
            return -1;
    }
    if(img2.empty())
    {
            fprintf(stderr, "Can not load image %s\n", imagename);
            return -1;
    }
    //顯示圖像
    imshow("image before", img);
    imshow("image2 before",img2);
     //sift特徵檢測
    SiftFeatureDetector  siftdtc;
    vector<KeyPoint>kp1,kp2;
    siftdtc.detect(img,kp1);
    Mat outimg1;
    drawKeypoints(img,kp1,outimg1);
    imshow("image1 keypoints",outimg1);
    KeyPoint kp;
    siftdtc.detect(img2,kp2);
    Mat outimg2;
    drawKeypoints(img2,kp2,outimg2);
    imshow("image2 keypoints",outimg2);
    SiftDescriptorExtractor extractor;
    Mat descriptor1,descriptor2;
    BruteForceMatcher<L2<float>> matcher;
    vector<DMatch> matches;
    Mat img_matches;
    extractor.compute(img,kp1,descriptor1);
    extractor.compute(img2,kp2,descriptor2);
    matcher.match(descriptor1,descriptor2,matches);
    drawMatches(img,kp1,img2,kp2,matches,img_matches);
    imshow("matches",img_matches);
    //此函數等待按鍵，按鍵盤任意鍵就返回
    waitKey();
    return 0;
}</span>

九、matlab

Demo Software: SIFT Keypoint Detector 代碼參考大牛的，網址如下

http://www.cs.ubc.ca/~lowe/keypoints/

i1=imread('hand1.jpg');  
i2=imread('hand3.jpg');  
i11=rgb2gray(i1);  
i22=rgb2gray(i2);  
imwrite(i11,'v1.jpg','quality',80);  
imwrite(i22,'v2.jpg','quality',80);  
match('v1.jpg','v2.jpg');

http://www.cnblogs.com/cj695/p/4041478.html

http://blog.csdn.net/xiaowei_cqu/article/details/8069548
圖像識別算法交流 QQ羣：145076161，歡迎圖像識別與圖像算法，共同學習與交流

Opencv圖像識別從零到精通（34）---SIFI

Demo Software: SIFT Keypoint Detector 代碼參考大牛的，網址如下

Opencv圖像識別從零到精通（16）------膨脹腐蝕

Opencv圖像識別從零到精通（12）-----滑動條控制直方圖、對比度、亮度、圖像相加

Opencv圖像識別從零到精通（22）-----hough變換檢測直線與圓

Opencv圖像識別從零到精通（14）-----線性濾波和非線性濾波

Opencv圖像識別從零到精通（10）-----直方圖均衡化與直方圖拉伸

Mac下配置sublime實現LaTeX

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結