opencv::sift特征提取

SIFT特征检测介绍 SIFT(Scale-Invariant Feature Transform)特征检测关键特性：
-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)
-关键点方向指定
-关键点描述子 

关键点定位
我们在像素级别获得了极值点的位置，但是更准确的 值应该在亚像素位置，如何得到 – 这个过程称为关键 点(准确/精准)定位
删除弱边缘- 通过Hassian 矩阵特征值实现，小于阈值 自动舍

建立尺度空间，寻找极值。工作原理
. 构建图像高斯金字塔，求取DOG，发现最大与最小值在每一级
. 构建的高斯金字塔，每一层根据sigma的值不同，可以分为几个等级，最少有4 个。

关键点定位 
在像素级别获得了极值点的位置，但是更准确的 值应该在亚像素位置，如何得到 – 这个过程称为关键 点(准确/精准)定位。
删除弱边缘- 通过Hassian 矩阵特征值实现，小于阈值 自动舍

关键点方向指定
求得每一层对应图像的梯度，根据给定的窗口大小
计算每个高斯权重，sigma=scalex1., ~360之间建立 36个直方图Bins
找最高峰对应的Bin， 大于max*% 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 = 4x4x8=

cv::xfeatures2d::SIFT::create(
　　int nfeature=, 
　　int nOctaveLayers=,
　　double contrastThreshold=0.04, 
　　double edgeThreshold=, 
　　double sigma=1.6
)

#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>
#include <iostream>
 
using namespace cv;
using namespace std;
using namespace cv::xfeatures2d;
 
int main(int argc, char** argv) {
    Mat src = imread("D:/vcprojects/images/test.png", IMREAD_GRAYSCALE);
    if (src.empty()) {
        printf("could not load image...\n");
        return -;
    }
    namedWindow("input image", CV_WINDOW_AUTOSIZE);
    imshow("input image", src);
 
    int numFeatures = ;
    Ptr<SIFT> detector = SIFT::create(numFeatures);
    vector<KeyPoint> keypoints;
    detector->detect(src, keypoints, Mat());
    printf("Total KeyPoints : %d\n", keypoints.size());
 
    Mat keypoint_img;
　　//绘制
    drawKeypoints(src, keypoints, keypoint_img, Scalar::all(-), DrawMatchesFlags::DEFAULT);
    namedWindow("SIFT KeyPoints", CV_WINDOW_AUTOSIZE);
    imshow("SIFT KeyPoints", keypoint_img);
 
    waitKey();
    return ;
}