SIFT算法用VL_feat库实现（matlab）

sift算法是非常经典的特征提取算法，之后可以用于 对应特征匹配，从而进行图像拼接，求图像之间的转换矩阵，三维重建等工作。最近上课学习了这个算法，本打算能手敲源码，后来还是选择了调包，真香~

毕竟前人种树，后人乘凉嘛！利用好下层建筑为上层来进行服务！

目录

（1）sift特征提取步骤

     1.   建立高斯差分金字塔

       2.关键点（keypoint）位置的确定

      3. 去除不好的特征点（非极大值抑制）

       4.给关键点赋予方向

        5.特征描述子 ：128维向量 4*4*8=128

（2）VLfeat介绍

（3）利用matlab 结合VLfeat进行代码实现（+代码详细解读） 

---

（1）sift特征提取步骤

     1.   建立高斯差分金字塔

              O组（octave 默认大小为 ）照片，每组L层（L=n+3，L一般为3~5） ；一共 O*L张照片。

             每一组中每层采用不同的高斯模糊核，下一组由 上一组进行下采样得到。

               

            图片说明了每一组每一层中的照片采用的模糊核是多少。

                   （第1组的第1层为，第2组第1层为2.... 数学技巧呀）

                 此例中s=3，也就是 每一组照片的层数=s+3 为6层。

 

       2.关键点（keypoint）位置的确定

              看高斯差分金字塔为了寻找尺度空间的极值点，每一个采样点要和它所有的相邻点比较，但现在由上面的图片可以看                    出，有三个方向（x，y，尺度空间（一组内不同的高斯核，）），所以一个点应该与26个点进行比较。

                

             

      3. 去除不好的特征点（非极大值抑制）

              在实际中这个点有可能只是真正极值点附近的点，即找到的点为“亚极值点”，要进行处理一波，实际用的泰勒展开，进                 行求导来做的，这里忽略了。

               

             还有就是去掉边缘效应：https://blog.csdn.net/abcjennifer/article/details/7639681

       4.给关键点赋予方向

               

                 关键点周围图像区域分块，计算块内方向梯度直方图，确定主方向。

        5.特征描述子 ：128维向量 4*4*8=128

 

（2）VLfeat介绍

              VLFeat是一个跨平台的开源机器视觉库，它囊括了当前流行的机器视觉算法，如SIFT, MSER, HOG, 同时还包含了诸如K-MEANS, Hierarchical K-means的聚类算法。它由C语言编写，并提供了Matlab接口及详细的文档。当前最新的版本是VLFeat 0.9.21 。（2019.4.11）

有了它，不需要再闭门造轮子了，直接调包！

具体的安装步骤网上很多，下载后 matlab 命令行中run('D:\VLFeat\vlfeat-0.9.18\toolbox\vl_setup')  （这个是我的存放位置）

（3）利用matlab 结合VLfeat进行代码实现（+代码详细解读） 

img1ori = imread('Snowball.jpg');
img1 = single(rgb2gray(img1ori));  %single就是转换成单精度的，之前肯定对double更熟悉一点吧
                                   %因为后面的vl_sift的输入须要用到单精度灰度图像
%图片2要识别对于的物体             
img2ori = imread('Snowball.jpg');
img2 = single(rgb2gray(img2ori));

%% 提取SIFT特征，匹配特征点
[f1, d1] = vl_sift(img1,'Levels',5,'PeakThresh', 4); 
[f2, d2] = vl_sift(img2,'Levels',5,'PeakThresh', 5);  
%f1为生成的四元组[x,y,s,th],分别是特征点的x，y坐标，s为长度空间大小，th指的是主方向
%d1是特征描述子，也就是那个128维的向量
[matches, scores] = vl_ubcmatch(d1, d2);
[dump,scoreind]=sort(scores,'ascend');


%% 绘制组合图片
newfig=zeros(size(img1,1), size(img1,2)+size(img2,2),3);  %新构建一个3维数组，行为图片1的
                                                         %行数，列为图片1和图片2的列数和
newfig(:,1:size(img1,2),:) = img1ori;
newfig(1:size(img2,1) ,(size(img1,2)+1):end,:)=img2ori;
newfig=uint8(newfig);
figure;
image(newfig);   % 绘制组合图片
axis image
% colormap(gray)

%% 绘制匹配特征点
figure;
image(newfig); % 绘制组合图片+匹配对于的特征点
axis image
f2Moved=f2;  %因为此时图像在x方向发生了平移的，需要平移的大小为图1的列数
m=size(img1,2)
f2Moved(1,:) = f2Moved(1,:)+size(img1,2);
h1 = vl_plotframe(f1);  %对之前的四元组在组合照片上进行绘画
h2 = vl_plotframe(f2Moved);
set(h1,'color','g','linewidth',2) ;
set(h2,'color','r','linewidth',2);
hold on
% 绘制scores前10%
plotRatio=0.1;
for i= 1:fix(plotRatio*size(matches,2))  %fix是取整函数，这里仅画出找到的匹配的前10%
    idx = scoreind(i);
    line([f1(1,matches(1,idx)) f2Moved(1,matches(2,idx))],...
    [f1(2,matches(1,idx)) f2Moved(2,matches(2,idx))], 'linewidth',1, 'color','b')
end
hold off
%倒数第四行的...是因为matlab一行装不下，属于行行连接符

运行结果 ：

 

对于其中一些变量进行展示：

  

scores是上面matches到的对应点的欧式距离，后面的scoreind是对欧式距离按由小到大进行排序，储存的是距离对于的序号