Python-OpenCV 16. 图像特征检测与描述算法
原标题:Python-OpenCV 16. 图像特征检测与描述算法
来源:今日头条 链接:https://www.toutiao.com/a6756809546125017613/
Harris角点检测由Chris Harris和Mike Stephens在1988年提出,是通过数学计算在图像上发现角点特征的一种算法,而且其具有旋转不变性的特质。OpenCV中的Shi-Tomasi角点检测就是基于Harris角点检测改进算法。
1. 算法步骤:
算法详细步骤
计算图像X方向与Y方向的一阶高斯偏导数Ix与Iy
根据第一步结果得到Ix^2 , Iy^2与Ix*Iy值
高斯模糊第二步三个值得到Sxx, Syy, Sxy
定义每个像素的Harris矩阵,计算出矩阵的两个特质值
计算出每个像素的R值
使用3X3或者5X5的窗口,实现非最大值压制
根据角点检测结果计算,最提取到的关键点以绿色标记,显示在原图上。
OpenCV的CornerHarris函数: cv2.cornerHarris(src=gray, blockSize=9, ksize=23, k=0.04)
参数说明:
src - 数据类型为 float32 的输入图像。
blockSize - 角点检测中要考虑的领域大小。
ksize - Sobel 求导中使用的窗口大小
k - Harris 角点检测方程中的自由参数,取值参数为 [0,04,0.06].
示例代码:
# -*- coding: utf-8 -*- # !/usr/bin/python import cv2 import numpy as np filename = 'test.jpg' img = cv2.imread(filename) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray = np.float32(gray) dst = cv2.cornerHarris(gray, 2, 3, 0.04) dst = cv2.dilate(dst, None) # Threshold for an optimal value, it may vary depending on the image. img[dst > 0.01 * dst.max()] = [0, 0, 255] cv2.imshow('dst', img) if cv2.waitKey(0) & 0xff == 27: cv2.destroyAllWindows()
二、Shi-Tomasi角点检测
Shi-Tomasi 算法是Harris 算法的改进。Harris 算法最原始的定义是将矩阵 M 的行列式值与 M 的迹相减,再将差值同预先给定的阈值进行比较。后来Shi 和Tomasi 提出改进的方法,若两个特征值中较小的一个大于最小阈值,则会得到强角点。
corners = cv.goodFeaturesToTrack( image, maxCorners, qualityLevel, minDistance[, corners[, mask[, blockSize[, useHarrisDetector[, k]]]]] )
import numpy as np import cv2 as cv from matplotlib import pyplot as plt img = cv.imread('t1.jpg') src = cv.cvtColor(img, cv.COLOR_BGR2RGB) gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) corners = cv.goodFeaturesToTrack(gray, 25, 0.01, 10) corners = np.int0(corners) for i in corners: x, y = i.ravel() cv.circle(img, (x, y), 3, 255, -1) plt.subplot(1, 2, 1) plt.title('src') plt.imshow(src) plt.subplot(1, 2, 2) plt.title('corners') img = cv.cvtColor(img, cv.COLOR_BGR2RGB) plt.imshow(img) plt.show()
DoG是对同一图像使用不同高斯滤波器所得的结果。
SIFT是通过一个特征向量来描述关键点周围区域的情况。
需要安装 opencv-contrib-python 库
import cv2 # 读取图片并灰度处理 imgpath = 'test.jpg' img = cv2.imread(imgpath) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 创建SIFT对象 sift = cv2.xfeatures2d.SIFT_create() # 将图片进行SURF计算,并找出角点keypoints,keypoints是检测关键点 # descriptor是描述符,这是图像一种表示方式,可以比较两个图像的关键点描述符,可作为特征匹配的一种方法。 keypoints, descriptor = sift.detectAndCompute(gray, None) img = cv2.drawKeypoints(image=img, outImage=img, keypoints=keypoints, flags=cv2.DRAW_MATCHES_FLAGS_DEFAULT, color=(51, 163, 236)) # 显示图片 cv2.imshow('sift_keypoints', img) cv2.waitKey(0) cv2.destroyAllWindows()
四、SURF特征检测算法
比SIFT算法快,并吸收了SIFT算法的思想。SURF采用Hessian算法检测关键点,而SURF是提取特征,这个与SIFT很像。Opencv的SURF类是Hessian算法和SURF算法组合。
import cv2 # 读取图片并灰度处理 imgpath = 'test.jpg' img = cv2.imread(imgpath) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 创建SURF对象,对象参数float(4000)为阈值,阈值越高,识别的特征越小。 sift = cv2.xfeatures2d.SURF_create(float(4000)) # 将图片进行SURF计算,并找出角点keypoints,keypoints是检测关键点 # descriptor是描述符,这是图像一种表示方式,可以比较两个图像的关键点描述符,可作为特征匹配的一种方法。 keypoints, descriptor = sift.detectAndCompute(gray, None) img = cv2.drawKeypoints(image=img, outImage=img, keypoints=keypoints, flags=cv2.DRAW_MATCHES_FLAGS_DEFAULT, color=(51, 163, 236)) # 显示图片 cv2.imshow('sift_keypoints', img) cv2.waitKey(0) cv2.destroyAllWindows()
其它还有 FAST、BRIEF、ORB等特征检测算法。
一THE END一
免责声明:本文来自互联网新闻客户端自媒体,不代表本网的观点和立场。
合作及投稿邮箱:E-mail:editor@tusaishared.com
下一篇:技术综述-你真的了解图像分类吗?
热门资源
应用笔画宽度变换...
应用背景:是盲人辅助系统,城市环境中的机器导航...
GAN之根据文本描述...
一些比较好玩的任务也就应运而生,比如图像修复、...
端到端语音识别时...
从上世纪 50 年代诞生到 2012 年引入 DNN 后识别效...
人体姿态估计的过...
人体姿态估计是计算机视觉中一个很基础的问题。从...
谷歌发布TyDi QA语...
为了鼓励对多语言问答技术的研究,谷歌发布了 TyDi...
智能在线
400-630-6780
聆听.建议反馈
E-mail: support@tusaishared.com