SIFT特征点检测_使用python+opencv

关于SIFT算法的详解可以参考这篇博客：https://blog.csdn.net/zddblog/article/details/7521424
本文旨在使用python+opencv来实现特征点检测的内容。
opencv中已经有写好的SIFT函数cv2.xfeatures2d.SIFT_create().detectAndCompute()，直接使用就行。下面简单讲讲这个函数。

注意：opencv高版本中剔除了cv2.xfeatures2d.SIFT_create()函数，所以要用低版本的opencv，如果你的opencv版本过高，可以用pip uninstall opencv-python 卸载后，使用下面的命令重新安装低版本即可。

pip install opencv-python==3.4.2.16
pip install opencv-contrib-python==3.4.2.16

cv2.xfeatures2d.SIFT_create().detectAndCompute()的参数：
一般是image(需要检测的照片)和None(默认)， 即：

cv2.xfeatures2d.SIFT_create().detectAndCompute(image，None)

cv2.xfeatures2d.SIFT_create().detectAndCompute()的返回值：

kps, des = cv2.xfeatures2d.SIFT_create().detectAndCompute()

kps 是关键点,是一个列表，记录所有检测到特征点的信息。它所包含的信息有：

• angle：角度，表示关键点的方向，为了保证方向不变形，SIFT算法通过对关键点周围邻域进行梯度运算，求得该点方向。-1为初值；
• class_id：当要对图片进行分类时，我们可以用class_id对每个特征点进行区分，未设定时为-1，需要靠自己设定；
• octave：代表是从金字塔哪一层提取的得到的数据；
• pt：关键点点的坐标；
• response：响应程度，代表该点强壮大小，更确切的说，是该点角点的程度；
• size：该点直径的大小。
  下面是将kp的内容依次打印出来的结果(注释行为输出)：

print(type(kp))
#kp的类型：
print(len(kp)))
#kp的个数：8947
print(kp[0].angle)
#167.8749237060547
print(kp[0].class_id)
#-1
print(kp[0].octave)
#15926015
print(kp[0].pt)
#(2.730217695236206, 57.79762268066406)
print(kp[0].response)
#0.02118147909641266
print(kp[0].size)
#2.819002389907837

des:返回特征点的特征描述符，是一个二维列表，或者说是一个矩阵，列表元素为Dmatch类型，输出如下图所示：

print(type(des))#打印des的类型
print(des.shape)#打印des的形状
print(des)#打印des
print(des[1])#打印des[1]

out:

<class 'numpy.ndarray'>

(8947, 128)

[[ 46.  42.   5. ...   0.   0.   0.]
 [  3.   3.   2. ...   0.   0.   0.]
 [119.  16.   5. ...   5.   0.   0.]
 ...
 [ 28.  61.  59. ...   0.   0.   0.]
 [ 45.  16.   1. ...   0.   0.   0.]
 [  0.   0.   0. ...  81.  66.  52.]]
 
[  3.   3.   2.   1.   4.   5.   1.   1. 152.   5.   1.   1.   0.   0.
   0.   3. 200.  13.   0.   0.   0.   0.   0.   4.  59.   5.   0.   0.
   0.   0.   0.   1.   6.   3.   0.   2.  16.   4.   1.   2. 178.  14.
   0.   0.   1.   3.   1.   4. 200.  21.   0.   0.   0.   0.   0.   4.
  38.   4.   0.   0.   0.   0.   0.   0.   7.   8.   3.   7.   9.   1.
   0.   2. 181.  10.   3.   0.   1.   2.   0.  17. 200.  30.   0.   0.
   0.   0.   0.  18.   9.   2.   0.   0.   0.   0.   0.   0.   8.   3.
   2.   3.   3.   0.   0.   3. 135.  16.   1.   2.   3.   0.   0.   3.
 155.  59.   0.   0.   0.   0.   0.   2.   0.   0.   0.   0.   0.   0.
   0.   0.]

使用这个函数，我们就可以进行编程：

#导入需要的库
import numpy as np
import cv2
from matplotlib import pyplot as plt

#图片地址，改为自己的
img_path = r"E:\Postgraduate project\sift_1\2.JPG"
#引入sift创建函数
sift = cv2.xfeatures2d.SIFT_create()
#读入图片
img = cv2.imread(img_path)
#进行sift特征点检测
kp,des = sift.detectAndCompute(img,None)

#画出关键点
img1=cv2.drawKeypoints(img,kp,img,color=(255,0,0))#color为标记特征点的颜色，按（B，G，R）排的

#显示图片
cv2.imshow('point',img1)

#写入图片，保存的位置改为自己的
cv2.imwrite(r"E:\Postgraduate project\sift_1\sift_2.JPG",img1)
cv2.waitKey(0)#按下任意键退出
cv2.destroyAllWindows()

原图：
标记特征点后：

图中的蓝色点即为用sift检测到的特征点。