【OpenCV】 ⚠️高手勿入! 半小时学会基本操作 24⚠️ SIFT 算法
【OpenCV】 ⚠️高手勿入! 半小时学会基本操作 24⚠️ SIFT 算法
- 概述
- 图像尺度空间
- 多分辨率金字塔
- 高斯差分金字塔
- 计算极值点
- SIFT 算法
- 函数
- 实战
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 ...
最新文章
- MySQL基本了解与使用
- DeepMind推出分布式深度强化学习架构IMPALA,让一个Agent学会多种技能
- 通过pipeline实现jenkins的ci/cd功能
- mysql服务怎么改名字_MySQL数据库改名字
- 有趣的网页注释代码,保护我方源码
- java普通类跳转到jsp_JSP跳转到Servlet的两种配置
- ajax jsp jquery,ajax +jquery 基本
- Seata多微服务互相调用_全局分布式事物使用案例_Storage-Module 仓储微服务说明---微服务升级_SpringCloud Alibaba工作笔记0063
- 最近两周的前后端交互
- 【Python-2.7】if-elif-else
- ThinkingInJava 学习 之 0000001 一切都是对象
- 服务器系统自检可以关吗,1366电脑服务器开机自检肿么关闭
- 好消息,高清版谷歌卫星地图终于可以正常使用了
- python eel + vue开发桌面应用
- 〖Python 数据库开发实战 - MySQL篇⑮〗- 数据表结果集的排序与去除重复(去重)
- python排序题总结
- 论文检测的时间段是什么时候?
- 鲁棒随机优化(Robust Stochastic Optimization)和RSOME
- ERROR: Command errored
- 如何看待 30 岁转行做程序员这件事
热门文章
- Koa koa-combine-routers 分路由管理
- 教你给大量视频快速调整色调的方法
- 大疆 芯片开发 面经
- 手机有软件测试网络通不通,怎样使用ping命令测试网络通不通
- vb python excel_【Python3+VBA】在Excel中生成小姐姐
- Android 小米应用角标
- Gradual warmup lr schedule--pytorch
- ZXing 相册中识别二维码和条形码(直接引用就可以了)
- Mapped Statements collection already contains value for
- java-IO流(4)-对象流及其序列化介绍