【圖像處理8】SIFT特徵

# -*- coding: utf-8 -*-
import matplotlib.pyplot as plt
import numpy as np
import cv2

"""
SIFT 尺度不變特徵

1. 通過高斯模糊來獲取圖像金子塔：

    1.1 高斯模糊的前提認爲像素點與周圍的相似性關係滿足高斯分佈，即越近越像，因此有得到如下5*5高斯卷積核：

    kernel = [[0.015026, 0.028569, 0.035391, 0.028569, 0.015026],
              [0.028569, 0.054318, 0.067288, 0.054318, 0.028569],
              [0.035591, 0.067288, 0.082255, 0.067288, 0.035391],
              [0.028569, 0.054318, 0.067288, 0.054318, 0.028569],
              [0.015026, 0.028569, 0.035391, 0.028569, 0.015026]]

    1.2 用高斯模糊處理當前圖像後，進行1/2採樣；之後在重複該操作；

    1.3 結果形成一個金字塔，假設原圖爲512*512，則後續分別有

    層1（512*512）， 層2（256*256）, ...., 層9（1*1）


2. 構建高斯差分圖像（DOG）

    2.1 將高斯金字塔各層的圖像全部進行插值操作，回到512*512;

    2.2 將相鄰的兩張圖進行差分操作，例如L9/L8之間

    2.3 最終形成8張512 * 512的差分圖像

3. 空間極值點的檢測

    3.1 每一個尺度（理解應不包含第一層和最後一層）找空間極值點；

    3.2 這裏找的極值點除了找本層(如L2)的相鄰8個點，還有找(L1和L3)的18個點，相當於是
    一個三維立方體空間裏找極值點，這個機制點就是SIFT的特徵點備選

    3.3 由於當前的備選點不一定是真正精確的極值點，實際還通過基於這些點的擬合來獲取進一步真正的極值點，
    在擬合過程中通過閾值取出一些對比度低的點

    3.4 由於高斯差分算子的極值在橫跨邊緣的地方有較大的主曲率，而在垂直邊緣的方向有較小的主曲率。
    DOG算子會產生較強的邊緣響應，需要剔除不穩定的邊緣響應點

4. 結論：

    通過SIFT算法得到的特徵點，在圖像放大、縮小、旋轉過程中都會保持不變


"""

path = '/XXX/'
img  = cv2.imread(path + 'logo.jpeg')
img_gray       = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)

sift = cv2.xfeatures2d.SIFT_create()

# 計算出圖像的關鍵點和sift特徵向量
kp1, kv1 = sift.detectAndCompute(img_gray, None)
kp_mask = np.zeros(img_gray.shape)

w  = img_gray.shape[0]
h  = img_gray.shape[1]

for i in range(len(kp1)):

    x_idx = int(kp1[i].pt[0])
    y_idx = int(kp1[i].pt[1])

    if x_idx >= w or y_idx >= h:
        continue

    kp_mask[y_idx][
    x_idx] = 1

img[kp_mask == 1, 0] = 255


plt.imshow(img)
plt.show()