SIFT、SURF等关键点特征提取算法代码_关键点提取算法

1.关键点特征提取算法

特征提取是提取出物体（如图片）的特征，用数学的向量、矩阵等对物体的特征做描述，做刻画。然后描述或刻画物体特征的这些信息就可以用来代表这类物体，之后应用到物体识别、分类等任务中。

所谓“特征”是物体具备的基本属性，我们通过某类物体的特征可以使得其区别于其它种类的物体。更进一步，如果我们获取到物体更细节的特征，就可以使得该物体区别于同类的其它物体。基于对“特征”基本概念的理解，我们结合图像处理，引入图像特征。图像特征被广泛应用于图像分类、人脸识别、目标跟踪等多种领域。

图像特征主要有图像的颜色特征、纹理特征、形状特征和空间关系特征。
图像特征的分类形式是多样的，如分类成全局特征和局部特征。
颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质。
纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。

图像的特征主要可以分为点、线（边缘）、区域（面）等特征，也可以分为局部特征和全局特征。
区域（面）特征提取比较麻烦，耗时，因此主要用点特征和边缘特征。
点特征提取方法包括：SIFT、SURF 、BRIEF、 FREAK 、 ORB 、 FAST 等。
边缘特征方法包括：LoG算子、Robert算子、Sobel算子、Prewitt算子、Canny算子等。

所谓关键点特征提取方法，是找到图像中具有旋转、平移、缩放等不变形特征的像素点，这些点被成为关键点。

根据图像中的具有不变性特征的关键点，就可以对图像做识别，匹配，分类等任务了。

2.SIFT代码（python+opencv）

代码中，有不懂的地方参考opencv官方文档，官方文档是最好的老师。