使用 OpenCV 的 SIFT 图像特征提取和匹配

小白学视觉

发布于 2025-01-23 11:09:52

22800

代码可运行

文章被收录于专栏：深度学习和计算机视觉深度学习和计算机视觉

运行总次数：0

代码可运行

简介：

图像特征提取和匹配是计算机视觉和图像处理中的重要任务。它们在图像识别、目标检测和图像拼接等各种应用中发挥着至关重要的作用。

一种流行的特征提取算法是尺度不变特征变换 (SIFT)，它被广泛用于检测和描述对尺度、旋转和光照变化不变的稳健特征的能力。

在本文中，我们将探讨如何将 SIFT 与流行的开源计算机视觉库 OpenCV 一起用于图像特征提取和匹配。

输入图像：让我们首先加载要在其上执行特征提取和匹配的输入图像。我们可以使用 OpenCV 的内置函数来读取和显示图像。下面是如何在 Python 中执行此操作的示例：

import cv2

# Load input image
input_image = cv2.imread('input_image.jpg', cv2.IMREAD_GRAYSCALE)

# Display input image
cv2.imshow('Input Image', input_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

使用 SIFT 提取特征：接下来，我们将使用 SIFT 从输入图像中提取特征。 OpenCV 提供了一个cv2.xfeatures2d.SIFT_create()函数来创建我们可以用于特征提取的 SIFT 对象。我们可以指定各种参数，例如要检测的关键点数、倍频程数和对比度阈值。这是一个例子：

import cv2

# Load input image
input_image = cv2.imread('input_image.jpg', cv2.IMREAD_GRAYSCALE)

# Create SIFT object
sift = cv2.xfeatures2d.SIFT_create()

# Detect keypoints and compute descriptors
keypoints, descriptors = sift.detectAndCompute(input_image, None)

# Draw keypoints on the input image
output_image = cv2.drawKeypoints(input_image, keypoints, None)

# Display output image with keypoints
cv2.imshow('Output Image with Keypoints', output_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

特征匹配与Brute-Force：从输入图像中提取特征后，我们可以使用特征匹配算法在另一幅图像中找到匹配的关键点。一种流行的方法是蛮力匹配器，它将输入图像中的关键点描述符与另一幅图像中的关键点描述符进行比较，以找到最佳匹配。OpenCV 提供了一个可用于暴力匹配的cv2.BFMatcher类。这是一个例子：

import cv2

# Load input image
input_image = cv2.imread('input_image.jpg', cv2.IMREAD_GRAYSCALE)

# Create SIFT object
sift = cv2.xfeatures2d.SIFT_create()

# Detect keypoints and compute descriptors
keypoints, descriptors = sift.detectAndCompute(input_image, None)

# Load another image for matching
other_image = cv2.imread('other_image.jpg', cv2.IMREAD_GRAYSCALE)

# Detect keypoints and compute descriptors in the other image
other_keypoints, other_descriptors = sift.detectAndCompute(other_image, None)

# Create Brute-Force matcher
bf_matcher = cv2.BFMatcher()

# Match descriptors
matches = bf_matcher.match(descriptors, other_descriptors)

# Sort matches by distance
matches = sorted(matches, key=lambda x: x.distance)

# Draw matches on input image
output_image = cv2.drawMatches(input_image, keypoints, other_image, other_keypoints, matches