- 综合排序
- 最热优先
- 最新优先
SIFT算法原理：SIFT算法详细介绍
SIFT算法的实质是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。 SIFT所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。 后续Sift特征点的提取都是在DOG金字塔上进行的在 DoG 搞定之后，就可以在不同的尺度空间中搜索局部最大值了。 由此我们可以确定一个SIFT特征区域。通常使用一个带箭头的圆或直接使用箭头表示SIFT区域的三个值：中心表示特征点位置，半径表示关键点尺度，箭头表示方向。 1.6 总结SIFT在图像的不变特征提取方面拥有无与伦比的优势，但并不完美，仍然存在实时性不高，有时特征点较少，对边缘光滑的目标无法准确提取特征点等缺陷，自SIFT算法问世以来，人们就一直对其进行优化和改进
2.6K11编辑于 2025-06-13- 来自专栏用户2442861的专栏
SIFT算法详解
SIFT特征的信息量大，适合在海量数据库中快速准确匹配。 SIFT算法的特点有： 1. SIFT算法可以解决的问题： 目标的自身状态、场景所处的环境和成像器材的成像特性等因素影响图像配准/目标识别跟踪的性能。而SIFT算法在一定程度上可解决： 1. SIFT所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。 Lowe将SIFT算法分解为如下四步： 1. 至此，SIFT特征描述向量生成。 描述向量这块不好理解，我画了个草图，供参考： 7、SIFT的缺点 SIFT在图像的不变特征提取方面拥有无与伦比的优势，但并不完美，仍然存在： 1. 自认为是到目前为止，关于SIFT算法最为详尽的资料，现分享给你，望批评指正。 一同分享给你的还有同时实现的高斯模糊源码，sift算法源码，见附录1，2。
6K42发布于 2018-09-19 python SIFT算法
这里的cv2是：opencv-contrib-python 3.4.2.16，3.4.3以上的版本有算法保护，无法直接调用SIFT算法 import numpy as np import cv2 from /hmi.sharp_720s.1.20100504_160000_TAI.magnetogram.jpg' sift = cv2.xfeatures2d.SIFT_create() img = cv2 .imread(imgname) gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) kp,des = sift.detectAndCompute(img,None) )) # 打印点坐标 cv2.imshow('point',img1) cv2.waitKey(0) 以下是根据SIFT关键点的灰度值进行分类： import numpy as np import ) kp, des = sift.detectAndCompute(img, None) # 关键点，SIFT特征向量 im = Image.open(imgname) # Can be many
9610编辑于 2026-01-23- 来自专栏图像处理与模式识别研究所
SIFT暴力匹配
imread('C:/Users/xpp/Desktop/Lena.png',0)#原始图像 img2=cv2.imread('C:/Users/xpp/Desktop/face.png',0)#原始图像 sift =cv2.xfeatures2d.SIFT_create()#实例化 kp1,des1=sift.detectAndCompute(img1,None)#找出图像中的关键点 kp2,des2=sift.detectAndCompute drawMatchesKnn(img1,kp1,img2,kp2,good_matches,None,flags=2)#在最佳匹配点之间绘制直线 pylab.imshow(img3) pylab.show() 算法：SIFT 暴力匹配是通过识别两个图像之间的SIFT关键点最近的邻居来进行匹配。
75620编辑于 2022-05-28 - 来自专栏图像处理与模式识别研究所
SIFT描述符
Desktop/Lena.png')#原始图像 cv2.imshow("original",img) gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#将彩色图片转换为灰度图片 sift =cv2.xfeatures2d.SIFT_create()#实例化 kp=sift.detect(gray,None)#找出图像中的关键点 result=cv2.drawKeypoints(img,kp DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)#在图像中画出关键点 cv2.imshow("result",result) cv2.waitKey() cv2.destroyAllWindows() kp,des=sift.compute (gray,kp)#使用关键点找出sift特征向量 print(np.shape(kp)) print(np.shape(des)) print(des[0]) (1109,) (1109, 128) 算法：SIFT描述符是将图像内容转换为不受平移、旋转、缩放和其他成像参数影响的局部特征坐标。
59820编辑于 2022-05-28 - 来自专栏Pulsar-V
SIFT特征检测（一）
我这儿改良了部分代码 改sift.m % [image, descriptors, locs] = sift(imageFile) % % This function reads an image and /sift '; else command = '! sift(imageFile) % % This function reads an image and returns its SIFT keypoints. % Input parameters /sift '; else command = '! keypoints for each image [im1, des1, loc1] = sift(image1); [im2, des2, loc2] = sift(image2); % For
2K50发布于 2018-04-18 - 来自专栏全栈程序员必看
SIFT 尺度空间
Sift算法，我略知一二，无法仔细描述（刚也贴了2个最近的资料）。 Sift算法中，提到了尺度空间，请问什么是尺度和尺度空间呢？ 在上述理解的基础上，尺度 就是受delta这个参数控制的表示 。 zz from http://www.cppblog.com/wmgl/archive/2009/07/04/89220.html ---- 尺度空间是SIFT[1]特征点提取方法的重要理论基础，本文的目的是解释一下 SIFT为什么有尺度不变性。
77520编辑于 2022-11-07 - 来自专栏全栈程序员必看
SIFT matlab源代码解析
sift是目前常用的local feature的描述子。sift特征匹配算法可以处理两幅图像之间发生一些平移、旋转、仿射等匹配问题。因为早前自己要做一个图像拼接的问题，所以用到了sift。 写这篇blog，是因为自己准备向CV进军，开始着手写blog来积累知识，这也是我第一篇blog，虽然这篇blog很简陋，纯属向sift致敬，但也方便一些初学者使用吧。 如果您想对其原理有个透彻的理解，可以参考下面这篇blog，博主写的非常详尽 —— [ sift算法详解 ] 代码分析 首先，你可以从David Lowe的个人网站http://www.cs.ubc.ca function num = match(image1, image2) % Find SIFT keypoints for each image % 下面两条语句就是找两个图像的sift 特征点，其中对于image1而言 % im1为灰度图像，des1为128维向量，loc1是位置信息 [im1, des1, loc1] = sift(image1); [im2,
64620编辑于 2022-07-04 - 来自专栏用户2442861的专栏
SIFT算法大致原理作用
在Mikolajczyk对包括Sift算子在内的十种局部描述子所做的不变性对比实验中，Sift及其扩展算法已被证实在同类描述子中具有最强的健壮性。 总体来说，Sift算子具有以下特性： （1）Sift特征是图像的局部特征，对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性，对视觉变化、仿射变换也保持一定程度的稳定性。 （3）多量性，即使少数的几个物体也可以产生大量Sift特征向量。 （4）速度相对较快，经优化的Sift匹配算法甚至可以达到实时的要求。 Sift特征匹配算法主要包括两个阶段，一个是Sift特征的生成，即从多幅图像中提取对尺度缩放、旋转、亮度变化无关的特征向量；第二阶段是Sift特征向量的匹配。 一些Sift特征匹配的例子： ? ?
2.4K10发布于 2018-09-19 - 来自专栏AI深度学习求索
传统特征：SIFT算子的原理
SIFT，一种检测局部特征算法，该算法通过求一幅图中的特征点（及其有关scale 和 orientation 的描述子得到特征并进行图像特征点匹配，SIFT特征具有尺度不变性，即使改变旋转角度，图像亮度或拍摄视角
1.5K20发布于 2018-12-11 - 来自专栏全栈程序员必看
SIFT特征点提取「建议收藏」
比如SIFT算法中一个重要的操作：求取描述子的主方向。 一、 SIFT算法 1、算法简介 尺度不变特征转换即SIFT (Scale-invariant feature transform)是一种计算机视觉的算法。 使用 SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。 SIFT特征的信息量大，适合在海量数据库中快速准确匹配。 SIFT算法的实质是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。 2、SIFT算法流程图 二、SIFT算法操作步骤 1、图像金字塔 1.1、高斯金字塔 图像高斯金字塔(Gaussian Pyramid)是采用高斯函数对图像进行模糊以及降采样处理得到。
3.8K24编辑于 2022-07-02 - 来自专栏Java小王子
OpenCV图像匹配算法之sift
::create( "SIFT" ); vector<KeyPoint> kpts1_sift, kpts2_sift; Mat desc1_sift, desc2_sift ; vector<Point2f> matches_sift, inliers_sift; sift_detector->detect(img1,kpts1_sift); _sift,desc2_sift); matcher_l2->knnMatch(desc1_sift,desc2_sift,dmatches_sift,2); //匹配 matches2points_nndr(kpts1_sift,kpts2_sift,dmatches_sift,matches_sift,DRATIO); info.m (img1_rgb_sift,img2_rgb_sift,img_com_sift,inliers_sift,2); imshow("sift",img_com_sift);
75100发布于 2021-09-22 - 来自专栏智能算法
经典的图像匹配算法----SIFT
SIFT简介 1.1 算法提出的背景： 成像匹配的核心问题是将同一目标在不同时间、不同分辨率、不同光照、不同位姿情况下所成的像相对应。 算法实现步骤简述： SIFT算法的实质可以归为在不同尺度空间上查找特征点（关键点）的问题。 ? 当两幅图像的SIFT特征向量生成后，下一步我们采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量。 降低这个比例阈值，SIFT匹配点数目会减少，但更加稳定。 降低这个比例阈值，SIFT匹配点数目会减少，但更加稳定。
26.9K64发布于 2018-04-02 opencvsharp sift和surf特征点匹配
SIFT特征和SURF特征比较 SIFT特征基本介绍 SIFT(Scale-Invariant Feature Transform)特征检测关键特征： 建立尺度空间，寻找极值 关键点定位（寻找关键点准确位置与删除弱边缘 80%的都保留 这样就实现了旋转不变性，提高了匹配时候的稳定性 大约有15%的关键点会有多个方向 关键点描述子 拟合多项式插值寻找最大Peak 得到描述子 = 4*4*8=128 SURF效果演示： SIFT
18700编辑于 2025-07-20- 来自专栏小鹏的专栏
使用openCV提取sift；surf；hog特征
cv2.SIFT() cv2.SURF() cv2.HOGDescriptor() 使用cv2.SIFT的一个样例：(cv2.SURF使用与之类似) #coding=utf-8 import cv2 = cv2.imread('x1.jpg',0) # queryImage img2 = cv2.imread('x2.jpg',0) # trainImage # Initiate SIFT detector sift = cv2.SIFT() # find the keypoints and descriptors with SIFT kp1, des1 = sift.detectAndCompute (img1,None) kp2, des2 = sift.detectAndCompute(img2,None) # FLANN parameters FLANN_INDEX_KDTREE
74610编辑于 2022-05-09 - 来自专栏贾志刚-OpenCV学堂
OpenCV SIFT特征算法详解与使用
星标或者置顶【OpenCV学堂】 干货文章与技术教程第一时间送达 SIFT概述 SIFT特征是非常稳定的图像特征，在图像搜索、特征匹配、图像分类检测等方面应用十分广泛，但是它的缺点也是非常明显，就是计算量比较大 ，很难实时，所以对一些实时要求比较高的常见SIFT算法还是无法适用。 如今SIFT算法在深度学习特征提取与分类检测网络大行其道的背景下，已经越来越有鸡肋的感觉，但是它本身的算法知识还是很值得我们学习，对我们也有很多有益的启示，本质上SIFT算法是很多常见算法的组合与巧妙衔接 夸张一点的说SIFT算法涵盖了图像特征提取必备的精髓思想，从特征点的检测到描述子生成，完成了对图像的准确描述，早期的ImageNet比赛中，很多图像分类算法都是以SIFT与HOG特征为基础，所有SIFT 特征检测器 sift = cv.xfeatures2d.SIFT_create() # 特征点提取与描述子生成 kp1, des1 = sift.detectAndCompute(box,None)
9.1K33发布于 2019-04-29 - 来自专栏机器学习AI算法工程
SIFT特征提取分析(附源码)
SIFT（Scale-invariant feature transform）是一种检测局部特征的算法，该算法通过求一幅图中的特征点（interest points,or corner points）及其有关 scale 和 orientation 的描述子得到特征并进行图像特征点匹配，获得了良好效果，详细解析如下： 算法描述 SIFT特征不只具有尺度不变性，即使改变旋转角度，图像亮度或拍摄视角，仍然能够得到好的检测效果
2.2K50发布于 2018-03-12 - 来自专栏小鹏的专栏
基于SIFT特征的图像检索 vs CNN
下面简单的对比一下sift和cnn的检索结果：（基于此改进的版本好多：各种sift；cnn（vgg-fc3；vgg（resnet、inception等）-conv；）+PCA等，各种特征融合等等） 检索库 sift检索结果： ? ? ? ? cnn检索结果： 原图： ? 检索图： ? 原图： ? 检索图： ? 原图： ? 检索图： ? 原图： ? 检索图： ? 下面是基于SIFT检索的代码，CNN的还是自己撸吧： # coding: utf-8 import cv2 import numpy as np import os from sklearn.cluster =cv2.xfeatures2d.SIFT_create() if img_paths! =cv2.xfeatures2d.SIFT_create() kp,des=sift_det.detectAndCompute(img,None) feature=des2feature
1.2K20发布于 2019-05-26 - 来自专栏全栈程序员必看
sift构建尺度空间_离散序列的尺度变换
说到尺度空间理论最早可以追溯到1962年的T.Iijima最先提出，学术界开始关注尺度空间技术主要在1986年IEEE PAMI上同时刊出的4篇关于尺度空间理论的文章奠定了发展基础。现实世界中物体只有具备一定的尺度才能够倍人眼所察觉，计算机视觉学术研究就是在不断的尝试与突破来模拟人眼的观察方法。因此，尺度空间就是试图在图像领域中模拟人眼观察物体的概念与方法。例如：观察一颗树，关键在于我们想要观察是树叶子还是整棵树：如果是一整棵树(相当于大尺度情况下观察)，那么就应该去除图像的细节部分。如果是树叶(小尺度情况下观察)，那么就该观察局部细节特征。
55310编辑于 2022-11-04 - 来自专栏全栈程序员必看
SIFT–尺度空间、高斯金字塔
尺度空间 高斯金字塔 高斯模糊 下采样 高斯金字塔的构造过程 差分高斯金字塔构造过程 SIFT成名已久，但理解起来还是很难的，一在原作者Lowe的论文对细节提到的非常少，二在虽然网上有许多相应博文 ---- Lowe把SIFT分为四个阶段：构建尺度空间、关键点的定位、方向分配、特征描述符。下面分别从这四个阶段来阐述。
1.2K10编辑于 2022-11-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号