概述

OpenCV 是一个跨平台的计算机视觉库, 支持多语言, 功能强大. 今天小白就带大家一起携手走进 OpenCV 的世界. (第 24 课)

图像尺度空间

在一定的范围内, 无论物体是大还是小, 人眼都可以分辨出来. 而计算机要有相同的能力却很难, 所以要让机器能够对物体在不同尺度下有一个统一的认知, 就需要考虑图像在不同的尺度下都存在的特点.

多分辨率金字塔

使用高斯模糊, 不同的 σ 决定了图像的平滑程度, 越大的 σ 值对应的图像越模糊. 通过使用不同的 σ 我们可以实现多分辨率金字塔.

高斯模糊:

cv2.GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)

src: 需要滤波的图片
ksize: 卷积核大小
sigmaX: 高斯核函数在 X 方向的的标准偏差
sigmaY: 高斯核函数在 Y 方向的的标准偏差

例子:

import cv2
from matplotlib import pyplot as plt# 读取图片
img = cv2.imread("face.jpg")# 画图
f, ax = plt.subplots(2, 3, figsize=(12, 8))
ax[0, 0].imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
ax[0, 0].set_title("original")
ax[0, 0].set_xticks([])
ax[0, 0].set_yticks([])# 高斯模糊
for i in range(1, 6):# 高斯模糊image_blur = cv2.GaussianBlur(img, (15, 15), i)# 计算子图ax[int(i/3), i % 3].imshow(cv2.cvtColor(image_blur, cv2.COLOR_BGR2RGB))# 标题ax[int(i/3), i % 3].set_title("σ" + str(i))ax[int(i/3), i % 3].set_xticks([])ax[int(i/3), i % 3].set_yticks([])# 展示图片
plt.show()

输出结果:

高斯差分金字塔

DoG (Difference of Gaussian) 即高斯差分金字塔, 是在高斯金字塔的基础上构建起来的. 通过对高斯金字塔逐层相减, 得到 t-1 的高斯差分金字塔:

计算极值点

DoG 空间极值检测: 将每个像素点和同一层周围的 8 个像素点以及上下两层的 18 个像素点, 共 26 个像素点进行比较. 如果一像素点大于或小于邻近的 26 个像素点的时候, 就成为了极值点.

SIFT 算法

SIFT (Scale Invariant Feature Transform), 即尺度不变特征变换匹配算法. SIFT 算法对于旋转和尺度具有不变性.

函数

实例化 SHIFT 算法:

cv2.SIFT_create()

获取特征点:

sift.detect(img_gray, None)

绘制特征点:

cv2.drawKeypoints(image, keypoints, outImage, color=None, flags=None)

image: 输入图像
keypoints: 特征点
outImage: 输出图像

将特征点转换为128 维的向量:

sift.compute(img, kp)

实战

例子:

import numpy as np
import cv2# 读取图片
img = cv2.imread("face.jpg")
key_points = img.copy()# 实例化SIFT算法
sift = cv2.SIFT_create()# 得到特征点
kp = sift.detect(img, None)
print(np.array(kp).shape)# 绘制特征点
cv2.drawKeypoints(img, kp, key_points)# 图片展示
cv2.imshow("key points", key_points)
cv2.waitKey(0)
cv2.destroyAllWindows()# 保存图片
cv2.imwrite("key_points.jpg", key_points)# 计算特征
kp, des = sift.compute(img, kp)# 调试输出
print(des.shape)
print(des[0])

输出结果:

(2183,)
(2183, 128)
[  9.  18.   1.   0.   0.   0.  10.   8.  11.  18.   7.  34.  37.  14.31.  11.  15.   6.  33.  50.  26.   9.   8.  10.   2.   1.  77.  94.72.  17.   2.   5.  20.  44.   4.   1.   0.   0.   0.   0.  37.  63.34. 128.  53.   4.   1.   1. 144.  11.   8.  56.  45.  25.   9.  63.20.   1.   5.  22. 144. 144.   8.  18.  16.   3.   0.   0.   0.   0.0.   2.  49.   7.   2.  17.  80.  35.   0.   9. 144.  39.   1.   5.44.  19.   1.  12.  47.   9.   0.   0. 144. 126.   1.   2.   8.   0.0.   0.   0.   0.   0.   1.  34.   2.   0.   0.  60.  25.   0.   5.144.  38.   0.   0.  39.  14.   0.   2.  61.  13.   0.   0. 144.  50.0.   0.]

【OpenCV】 ⚠️高手勿入! 半小时学会基本操作 24⚠️ SIFT 算法相关推荐

【OpenCV】⚠️高手勿入! 半小时学会基本操作 15⚠️ 对象测量
[OpenCV]⚠️高手勿入! 半小时学会基本操作 15⚠️ 对象测量概述对象测量多边形拟合计算对象中心概述 OpenCV 是一个跨平台的计算机视觉库, 支持多语言, 功能强大. 今天小白就 ...
【OpenCV】高手勿入! 半小时学会基本操作 4 图像裁剪融合
[OpenCV]高手勿入! 半小时学会基本操作 4 概述图像裁剪数值计算图像融合概述 OpenCV 是一个跨平台的计算机视觉库, 支持多语言, 功能强大. 今天小白就带大家一起携手走进 Ope ...
【NLP】⚠️学不会打我! 半小时学会基本操作 4⚠️词向量模型
[NLP]⚠️学不会打我! 半小时学会基本操作 4⚠️词向量模型概述词向量词向量维度 Word2Vec CBOW 模型 Skip-Gram 模型负采样模型词向量的训练过程 1. 初始化词向量 ...
【NLP】⚠️学不会打我! 半小时学会基本操作 8⚠️ 新闻分类
[NLP]⚠️学不会打我! 半小时学会基本操作 8⚠️ 新闻分类概述 TF-IDF 关键词提取 TF IDF TF-IDF TfidfVectorizer 数据介绍代码实现概述从今天开始我们将 ...
【NLP】⚠️学不会打我! 半小时学会基本操作 2⚠️词向量模型简介
[NLP]⚠️学不会打我! 半小时学会基本操作 2⚠️词向量模型简介概述词向量维度 Word2Vec CBOW 模型 Skip-Gram 模型负采样模型词向量的训练过程 1. 初始化词向量矩阵 ...
【NLP】⚠️学不会打我! 半小时学会基本操作 5⚠️ 家暴归类, 妈妈再也不同担心我被家暴啦
[NLP]⚠️学不会打我! 半小时学会基本操作 5⚠️ 家暴归类, 妈妈再也不同担心我被家暴啦概述数据介绍词频统计朴素贝叶斯代码实现预处理主函数概述从今天开始我们将开启一段自然语言处 ...
【NLP】学不会打我半小时学会基本操作 14 文本处理＜PAD＞＜EOS＞＜UNK＞＜GO＞
[NLP]⚠️学不会打我! 半小时学会基本操作 14⚠️ 文本处理概述文本处理概述从今天开始我们将开启一段自然语言处理 (NLP) 的旅程. 自然语言处理可以让来处理, 理解, 以及运用人类的 ...
五笔打字:速成手册---半小时学会五笔打字
[半小时内学会五笔打字] 五笔打字,是专业打字法.(王码86版.或万能五笔版) 简介五笔是将每个字拆分成几个(最多4个,不足4个则补识别码)字根,然后根据每个字根对应的键来打出该汉字.比如:森字, ...
opencv imshow函数报cv::exception错误，以及sift算法的使用问题
记录遇到的小问题刚发布的就不见了,活生生的不见了,难道是我吐槽百度出来的博客很多都是抄的同一篇? 简略的描述一下问题(小白使用,大佬就不用看了) opencv版本:4.0.0,使用vs2015编译 ...

【OpenCV】 ⚠️高手勿入! 半小时学会基本操作 24⚠️ SIFT 算法