基于SIFT/ORB和KMeans方法进行图像聚类研究

利用SIFT或ORB和KMeans方法实现图像的聚类

一、使用SIFT或ORB提取特征

在计算机视觉领域，尺度不变特征转换（Scale-invariant Feature Transform，简称 SIFT）是一种经典的局部特征检测与描述算法。其核心机制在于通过计算图像中关键点的尺度空间极值点，并赋予每个特征点特定的尺度与主方向，从而生成具有旋转和尺度不变性的特征描述子。SIFT 算法能够精准定位那些在光照变化、仿射变换以及噪声干扰下依然保持稳定的显著点，例如图像中的角点、边缘转折点、暗背景中的亮点或亮背景中的暗点等。除了具备极高的鲁棒性外，SIFT 还展现出独特性、多量性以及良好的可扩展性，这使得它在复杂的图像匹配任务中表现卓越。然而，SIFT 的计算复杂度较高，实时性相对较弱。

相比之下，ORB（Oriented FAST and Rotated BRIEF）算法则是一种专为实时应用设计的快速特征提取与描述方案。ORB 巧妙地结合了 FAST 角点检测算法的高效性与 BRIEF 描述子的简洁性，并在此基础上引入了方向性改进，使其具备旋转不变性。在本次实验中选择 ORB 而非 SIFT 或 SURF，主要基于两方面的考量：首先，ORB 算法逻辑清晰，便于快速上手与调试；其次，经过多组对比实验发现，在特定场景下，ORB 提取的特征在聚类任务中呈现出更优的区分