高斯 pan vector 圖片轉換 esc 循環 step () 簡單的

前面我們對sift算法的流程進行簡要研究，那麽在OpenCV中，sift是如何被調用的？又是如何被實現出來的了？

特別是到了3.0以後，OpenCV對特征點提取這個方面進行了系統重構，那麽整個代碼結構變成了什麽模樣？ 在代碼中 可以看出目前的結構是基於hess的算法進行的重構。那麽首先需要解決的是整體的調用和實現結構問題，然後是hess算法的結構問題，再然後才是具體的算法。需要做的事情很多，一起來研究。 一、OpenCV中sift調用接口和例子 首先是一定要編譯使用contrib版本的OpenCV代碼，同時最後設置的時候需要註意,頭文件和命名空間要選擇正確。 在最新版本的OpenCV中，已經對特征提取這塊的函數進行了統一接口： Mat matSrc = imread("e:/template/lena.jpg"); Mat gray;
Mat draw;
cvtColor( matSrc, gray, CV_RGB2GRAY );
Mat descriptors;
std::vector<KeyPoint> keypoints;
// 生產sift結構
Ptr<SiftFeatureDetector> siftFD = SiftFeatureDetector::create();
siftFD->detectAndCompute(gray,Mat(),keypoints,draw);
drawKeypoints(gray,keypoints,gray,Scalar(0,0,255),DrawMatchesFlags::DEFAULT); 結果： 這裏也只是簡單地把特征點給畫了出來，並沒有將方向等信息進行表示。下面我們具體看一看sift在OpenCV中是如何實現的。 OpenCV是開發源代碼的，所以這裏的代碼都是可以自己看到的。那麽聯調的方式為 二、sift的代碼結構解析 註意，sift的原始地址在 它的類結構為： 它的構建函數為： 直接返回的是本類的指針 我們去看代碼，基本了解結構以後，就直接從我們想要用的那個函數開始“順藤摸瓜”。我們想要的是detectAndCompute 函數。 三、sift的代碼具體實現 step0: createInitialImage 將圖片轉換成為合適的大小 Mat base = createInitialImage(image, firstOctave < 0, (float)sigma); 最為簡單的一步，據說將輸入的圖片變化為規整的大小和格式： //step1: buildGaussianPyramid 構建高斯金字塔 buildGaussianPyramid(base, gpyr, nOctaves); //step2: buildDoGPyramid 構建高斯差分金字塔 buildDoGPyramid(gpyr, dogpyr); //step3: findScaleSpaceExtrema removeDuplicated 尋找並篩選尺度空間特征值 findScaleSpaceExtrema(gpyr, dogpyr, keypoints); 註意這裏將特征值的初略尋找和細化尋找放在了一起（一個循環） 其中 其中二 註意： //step4: calcDescriptors 計算特征值 calcDescriptors(gpyr, keypoints, descriptors, nOctaveLayers, firstOctave); 三、簡單小結 這裏也只是將sift的代碼挑了出來，簡單進行了分析。應該說OpenCV的代碼本身才是其最為精髓的地方，無論是代碼背後的理論，還是代碼實現的技術，以及各種提升速度的方法，都對於我們寫出出色的圖像處理算法和運用很有幫助。 而學習的最好方法就是去實現創造。OpenCV本身就是開源的項目，基於現有的這麽多的資源，在圖像處理廣闊的領域去進行創新，不斷鞏固提升自己的能力。與大家共勉！

SIFT在OpenCV中的調用和具體實現(HELU版)