python 3+opencv 3.4(五)--图像特征提取

应用：图像拼接、图像匹配
特征检测和提取算法：Harris（检测角点）SIFT（检测斑点blob）SURF（检测斑点）FAST（检测角点）BRIEF（检测斑点）ORB（带方向的FAST算法与具有旋转不变性的BRIEF算法）
特征匹配算法：暴力匹配（Brute-Force）基于FLANN匹配。
特征：特殊的图形区域、独特性和易于识别性--角点和高密度区域。大量重复区域和低密度区域不适合作为特征，边缘时很好的特征，斑点（与周围有很大差别的区域）
cornerHarris检测角点特征，代码如下：

import cv2
import numpy as np

img = cv2.imread("../data/0.jpg")
 
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #彩色转化为灰度
gray=np.float32(gray) #转化为32浮点型
dst = cv2.cornerHarris(gray,15,23,0.04)
# 第三个参数：Sobel算法中孔，行列变化检测边缘。3-31之间奇数
#角点检测的敏感度
#第二个参数：参数值越小，标记角点的记号越小

img[dst>0.01*dst.max()]=[0,0,255]
cv2.namedWindow("corners", cv2.WINDOW_NORMAL)
while(True):
    cv2.imshow('corners',img)
    if cv2.waitKey(10000) & 0xff == ord('q'): #退出循环条件
        break
cv2.destroyAllWindows()
#cv2.imshow('corners',img)
#cv2.waitKey(0) #退出循环条件
#cv2.destroyAllWindows()

显示结果如下：

检测角点
使用cornerHarris能很好的检测角点，与角点本身特征有关，但增加或者减小图像大小，角点数量变化。
尺度不变特征变换（SIFT）对于不同的图像尺度输出相同的结果。SIFT不检测关键点，通过一个特征向量描述关键点周围区域情况。
步骤：
1. 读入图像，并转化为灰度图
2. 创建SIFT对象，计算灰度图像sift=cv2.xfeatures2d.SIFT_create()
  keypoints,descriptor=sift.detectAndCompute(gray,None)返回值是关键点信息和描述符。--具体含义不清楚，没有看懂具体形式--,keypoints是list，里面每一个元素比如keypoint[0]为cv2.Keypoint类，有属性pt（x,y坐标）size（特征直径）angle（特征方向）response（关键点强度）octave（所在金字塔层次）class_id（关键点ID）
3. 图像上绘制关键点，使用drawKeypoints函数，对每一个关键点绘制圆圈和方向。
完整代码如下：

import cv2
import numpy as np

img= cv2.imread('../data/0.jpg')
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
sift=cv2.xfeatures2d.SIFT_create()
#sift对象适用DoG检测关键点，并计算特征向量
#返回关键点信息和描述符
keypoints,descriptor=sift.detectAndCompute(gray,None)


img=cv2.drawKeypoints(image=img,outImage=img,keypoints=keypoints,flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS,color=(51,163,236))

cv2.namedWindow('sift_keypoints',cv2.WINDOW_NORMAL)
cv2.imshow('sift_keypoints',img)
while(True):
    if cv2.waitKey(1000) & 0xff==ord('q'):
        break
cv2.destroyAllWindows()

生成图像如下：

SIFT
SURF使用快速Hessian算法检测关键点，与SIFT无太大区别，只需修创建surf对象并计算特征向量和往原始图像画出即可：suft=cv2.xfeatures2d.SURF_create(8000)
keypoints,descriptor=suft.detectAndCompute(gray,None)
其中设置阈值为8000，越高识别的特征越少

最后编辑于：2018.09.17 15:11:23