基于SIFT算法的图像匹配

基本概念

尺度不变特征转换(Scale-invariant feature transform，简称SIFT) ，是一种用来侦测与描述影像中的局部性特征的算法，它在空间尺度中寻找极值点，提取位置、尺度、旋转不变量，生成特征描述子。 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。

计算步骤?

SIFT算法主要分以下步骤：

（1）尺度空间极值点检测：搜索所有尺度上的图像位置，通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。

（2）筛选出稳定的关键点：在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。

（3）确定关键点方向：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。

（4）生成特征点描述子：在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。

（5）特征点匹配

Matlab代码

%该函数读取图像并返回其SIFT“关键点”
function [image, descriptors, locs] = sift(imageFile)
image = imread(imageFile);               % 读图
[rows, cols] = size(image); 
% 转换为PGM格式，便于“关键点”可执行文件的读取
f = fopen('tmp.pgm', 'w');
if f == -1
    error('Could not create file tmp.pgm.');
end
fprintf(f, 'P5\n%d\n%d\n255\n', cols, rows);
fwrite(f, image', 'uint8');
fclose(f);
%调用“关键点”可执行文件
if isunix
    command = '!./sift ';
else
    command = '!siftWin32 ';
end
command = [command ' <tmp.pgm >tmp.key'];
eval(command);
g = fopen('tmp.key', 'r');
if g == -1
    error('Could not open file tmp.key.');
end
[header, count] = fscanf(g, '%d %d', [1 2]);
if count ~= 2
    error('Invalid keypoint file beginning.');
end
num = header(1);
len = header(2);
if len ~= 128
    error('Keypoint descriptor length invalid (should be 128).');
end
% x1, y1; 起始点
% x2, y2; 终止点
function TransformLine(imsize, keypoint, x1, y1, x2, y2)
len = 6 * keypoint(3);
s = sin(keypoint(4));
c = cos(keypoint(4));
% 变换
r1 = keypoint(1) - len * (c * y1 + s * x1);
c1 = keypoint(2) + len * (- s * y1 + c * x1);
r2 = keypoint(1) - len * (c * y2 + s * x2);
c2 = keypoint(2) + len * (- s * y2 + c * x2);
line([c1 c2], [r1 r2], 'Color', 'c');
%% 该函数读取两张图像，并找到它们的SIFT特征
function num = match(image1, image2)
[im1, des1, loc1] = sift(image1);    %找出每张图的SIFT关键点
[im2, des2, loc2] = sift(image2);
distRatio = 0.6;   
des2t = des2';            %预计算矩阵转置
for i = 1 : size(des1,1)
   dotprods = des1(i,:) * des2t;        % 点积向量
   [vals,indx] = sort(acos(dotprods));  %取反余弦并对结果进行排序 
   %检查最近邻的角度是否小于2*distRatio.
   if (vals(1) < distRatio * vals(2))
      match(i) = indx(1);
   else
      match(i) = 0;
   end
end
% 显示匹配点连接的图像
newImg = cat(2,im1,im2);  %将两张图像放在一张图中
figure; imshow(newImg)
hold on
plot(loc1(:,2),loc1(:,1), 'ro','MarkerSize',5,'LineWidth',0.7)
plot(loc2(:,2)+size(im1,1),loc2(:,1), 'm*','MarkerSize',5,'LineWidth',0.7)
cols1 = size(im1,2);
for i = 1: size(des1,1)
  if (match(i) > 0)
    line([loc1(i,2) loc2(match(i),2)+cols1], ...
         [loc1(i,1) loc2(match(i),1)], 'Color', 'c');
  end
end
hold off;
num = sum(match > 0);
fprintf('Found %d matches.\n', num);
% 保存结果
frame=getframe(gcf);
im=frame2im(frame);
imwrite(im,'S图像匹配结果.jpg'); 
%% 主程序
img1=imread('baby1.JPG');
img2=imread('baby2.JPG');
img1_gray=rgb2gray(img1);
img2_gray=rgb2gray(img2);
match('img1_gray.jpg',' img2_gray.jpg ');

匹配结果