一. 实验要求
（1） 针对自己所处的环境，拍摄多张图片（注意要来自不同场景），构造出一个小的数据集（15张以上）。
（2） 实现数据集中，每张图片的SIFT特征提取，并展示特征点。
（3） 给定两张图片，计算其SIFT特征匹配结果。
（4）给定一张输入的图片，在数据集内部进行检索，输出与其匹配最多的三张图片。
二.实验过程
2.1 实验数据集
?
?
2.2 sift特征提取
2.2.1 源代码：
from PIL import Image
from pylab import *
from PCV.localdescriptors import sift
from PCV.localdescriptors import harris
# 添加中文字体支持
from matplotlib.font_manager import FontProperties
font = FontProperties(fname=r"c:/windows/fonts/SimSun.ttc", size=14)
imname = 'D:/ComputerVision_code/img/sdl11.jpg'
im = array(Image.open(imname).convert('L'))
sift.process_image(imname, 'empire.sift')
l1, d1 = sift.read_features_from_file('empire.sift')
figure()
gray()
subplot(121)
sift.plot_features(im, l1, circle=False)
title(u'SIFT特征',fontproperties=font)
# 检测harris角点
harrisim = harris.compute_harris_response(im)
subplot(122)
filtered_coords = harris.get_harris_points(harrisim, 6, 0.1)
imshow(im)
plot([p[1] for p in filtered_coords], [p[0] for p in filtered_coords], '*')
axis('off')
title(u'Harris角点',fontproperties=font)
show()2.2.2 图片特征提取结果：
?
?
2.2.3 小结
sift描述子同Harris角点算法一样，具有尺度不变性、光照不变性和旋转不变性的特点，但两个算法检测的结果能看到明显的区别，sift算法检测到的特征点明显比Harris算法的更多，更丰富，而且运算速度比较快，定位精度也比较高，体现出了sift算法特征检测的优越性。
2.3 特征匹配
2.3.1 源代码：
from PIL import Image
from pylab import *
import sys
from PCV.localdescriptors import sift
if len(sys.argv) >= 3:
im1f, im2f = sys.argv[1], sys.argv[2]
else:
im1f = 'D:/ComputerVision_code/img/sdl11.jpg'
im2f = 'D:/ComputerVision_code/img/sdl12.jpg'
im1 = array(Image.open(im1f))
im2 = array(Image.open(im2f))
sift.process_image(im1f, 'out_sift_1.txt')
l1, d1 = sift.read_features_from_file('out_sift_1.txt')
sift.process_image(im2f, 'out_sift_2.txt')
l2, d2 = sift.read_features_from_file('out_sift_2.txt')
matches = sift.match_twosided(d1, d2)
print ('{} matches'.format(len(matches.nonzero()[0])))
figure()
gray()
sift.plot_matches(im1, im2, l1, l2, matches, show_below=True)
title('{} matches'.format(len(matches.nonzero()[0])))#设置子图标题
show()2.3.2 匹配结果：
?
2.3.3 小结
从以上两个试验及结果可以看出sift算法匹配的精准度还是挺高的，虽然没能做到每一个特征点都对应起来（这当然也有图片角度不同，特征点不同不能找到匹配点的因素在），但是从埃菲尔铁塔的这组实验可看出，已经匹配的特征点，精准度非常高。
2.4 匹配筛选
2.4.1 输入一张数据集以外的照片：
2.4.2 匹配结果
?
2.4.3 小结
背景模糊不清晰，还有图片像素的大小会影响到sift特征点检测算法的效果；同一角度拍摄的图片匹配度会更高，但是旋转，明暗程度，图中物体尺寸的大小都不会影响到sift算法的检测效果，因此他具有较高的稳定性和准确性，以及从大量图片中检测到目标图片的高效性。