features_sift — MATCHREG `featmatch` op

• Datenarten: image2d → table

• Aufruf: import fullseye as fs; fs.ledger.features_sift(image, n_octaves=None, n_scales=3, sigma=1.6, contrast_threshold=0.04, edge_threshold=10.0, max_features=2000, double_image=True) (die Implementierung direkt: import featmatch; featmatch.features_sift(image, n_octaves=None, n_scales=3, sigma=1.6, contrast_threshold=0.04, edge_threshold=10.0, max_features=2000, double_image=True); aus dem Register: opsmatchreg.get("features_sift"))

• GPU: nein (nur CPU-Referenzimplementierung)

Verwendung

SIFT-Merkmalspunkte und 128-dimensionale Deskriptoren (DoG-Extrema, Lowe 2004). → table (kind="features").

> Die ausführliche Beschreibung unten ist der Originaltext — Zusammenfassung und Überschriften sind übersetzt.

DoG(ガウスの差)のスケール空間で 3×3×3 の極値を探し、2 次の当てはめで副画素・副スケールへ詰め、低コントラスト(|D| * n_scales < contrast_threshold、画像は [0, 1] の尺度)と稜線(ヘッセ行列の固有値比が edge_threshold 超)を捨てる。向きは勾配の 36 ビンの山(最大の 0.8 倍以上の山ごとに 1 点、同じ位置に複数の向きが出る)、記述子は 4×4 のマス × 8 方向。

座標の約束: xy は原画像の (x, y) 画素(画素の中心が整数)。double_image=True の拡大は標本点 i/2 の双線形なので、拡大後の座標の半分がちょうど原画像の座標になる(OpenCV の拡大は画素中心の扱いが違い、点が約 0.25 px ずれる —— 位置を直接比べるときの注意)。

実測(256×256 の synthetic_scene、tests/test_featmatch.py が固定): 90 度回転の対でホモグラフィの 4 隅誤差 < 0.5 px、0.5 倍の縮小で < 1.5 px、OpenCV の SIFT(5.0)と同じ対で 4 隅誤差が同じ桁。

限界: 記述子の組み立てはキーポイントごとの Python ループ(2000 点で数秒)。アフィン不変ではない(強い遠近では壊れる。features_accuracy_table で条件ごとに測れる)。

Args:

image: 2-D の濃淡画像(値の尺度は [0, 1] を想定。コントラストのしきい値がこの尺度)。

n_octaves: オクターブ数。None なら log2(min(H, W)) - 3(最低 1)。

n_scales: 1 オクターブあたりの尺度の数(Lowe の s、既定 3)。

sigma: 土台の σ(既定 1.6)。原画像は σ=0.5 のぼけを持つと仮定する。

contrast_threshold: 低コントラストを捨てるしきい値(既定 0.04)。

edge_threshold: 稜線を捨てる固有値比 r(既定 10)。

max_features: 応答の強い順に残す上限。

double_image: 最初に 2 倍へ拡大するか(既定 True、小さな特徴が拾える)。

Returns:

dict(kind="features", detector="sift")。xy (N,2) / scale (N,) [px] /

angle (N,) [度] / response (N,) / octave (N,) / descriptors (N,128) float32 /

descriptor_kind="float" / image_shape。

Raises:

ValueError: 2-D でない / 16 px 未満 / 非有限 / 定数画像 / 引数が値域外。

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie matching_registration

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• poc_part_locate_features — py -3.11 examples/poc_part_locate_features.py

Typkompatible Folge-Operatoren (nehmen `table` als Eingabe)

features_match · ransac_homography · ransac_fundamental · registration_to_flow2d

Gleiche Kategorie (`featmatch`)

features_orb · features_match · ransac_homography · ransac_fundamental · features_accuracy_table

*Provenance: featmatch.py — MATCHREG Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

features_sift — MATCHREG featmatch op