OpenCV-图像特征harris角点检测/SIFT函数/特征匹配-05
图像特征-harris角点检测
基本原理
R>0 角点
R≈0 平坦区域
R<0 边界
总结一下Harris算法流程
获取点数据后,计算Ix 和 Iy
整合矩阵,求特征值
比较特征值大小
非极大值抑制NMS,过滤掉不是那么角的
OpenCV中怎么检测Harris
cv2.cornerHarris()
img: 数据类型为 float32 的入图像
blockSize: 角点检测中指定区域的大小,前面提到的w(u,v),可能是个高斯函数
ksize: 就像Sobel求导中使用的窗口大小
k: 取值参数为 [0,04,0.06]. 默认0.04
返回dst:输出图像
import cv2
import numpy as npimg = cv2.imread('chessboard.jpg') #读取图片
print ('img.shape:',img.shape)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 转换成灰度图
# gray = np.float32(gray)
dst = cv2.cornerHarris(gray, 2, 3, 0.04) # 执行检测
print ('dst.shape:',dst.shape)
# dst.max是最大值,一定是角点
# 只要dst中满足0.01倍的最大值,就判定为角点,要求较高的也可以设置为其他倍数
img[dst>0.01*dst.max()]=[0,0,255]
cv2.imshow('dst',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imwrite('test_1_dst.jpg',img)
Scale Invariant Feature Transform(SIFT)
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,然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。
尺度空间的获取通常使用高斯模糊来实现
不同σ的高斯函数决定了对图像的平滑程度,越大的σ值对应的图像越模糊。
高斯差分金字塔(DOG)
DoG空间极值检测
为了寻找尺度空间的极值点,每个像素点要和其图像域(同一尺度空间)和尺度域(相邻的尺度空间)的所有相邻点进行比较,当其大于(或者小于)所有相邻点时,该点就是极值点。如下图所示,中间的检测点要和其所在图像的3×3邻域8个像素点,以及其相邻的上下两层的3×3领域18个像素点,共26个像素点进行比较。
关键点的精确定位
这些候选关键点是DOG空间的局部极值点,而且这些极值点均为离散的点,精确定位极值点的一种方法是,对尺度空间DoG函数进行曲线拟合,计算其极值点,从而实现关键点的精确定位。
消除边界响应
特征点的主方向
每个特征点可以得到三个信息(x,y,σ,θ),即位置、尺度和方向。具有多个方向的关键点可以被复制成多份,然后将方向值分别赋给复制后的特征点,一个特征点就产生了多个坐标、尺度相等,但是方向不同的特征点。
生成特征描述
在完成关键点的梯度计算后,使用直方图统计邻域内像素的梯度和方向。
为了保证特征矢量的旋转不变性,要以特征点为中心,在附近邻域内将坐标轴旋转θ角度,即将坐标轴旋转为特征点的主方向。
旋转之后的主方向为中心取8x8的窗口,求每个像素的梯度幅值和方向,箭头方向代表梯度方向,长度代表梯度幅值,然后利用高斯窗口对其进行加权运算,最后在每个4x4的小块上绘制8个方向的梯度直方图,计算每个梯度方向的累加值,即可形成一个种子点,即每个特征的由4个种子点组成,每个种子点有8个方向的向量信息。
论文中建议对每个关键点使用4x4共16个种子点来描述,这样一个关键点就会产生128维的SIFT特征向量。
使用open cv前最好先安装anaconda.由于部分函数涉及专利问题,如sift和surf,所以需要使用opencv-python 3.4.1.15版本的但是蛋疼的是python需要3.6的才能支持该版本,所以在此之前先要安装python3.6的环境,也可以直接安装低版本的anaconda,安装环境方法如下:conda create --name py3.6 python=3.6 #创建python3.6环境
conda activate py3.6 #进入该环境
pip install opencv-python==3.4.1.15 #安装opencv
pip install opencv-contrib-python==3.4.1.15 #安装opencv的其他包
opencv SIFT函数
import cv2
import numpy as npimg = cv2.imread('test_1.jpg')# 读取图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度图
sift = cv2.xfeatures2d.SIFT_create() # 实例化一个sift
kp = sift.detect(gray, None) # 传进去一个图像
img = cv2.drawKeypoints(gray, kp, img) # 绘制关键点cv2.imshow('drawKeypoints', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
计算特征
kp, des = sift.compute(gray, kp)
print (np.array(kp).shape)
des.shape
特征匹配
### Brute-Force蛮力匹配
import cv2
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
img1 = cv2.imread('box.png', 0)
img2 = cv2.imread('box_in_scene.png', 0)
def cv_show(name,img):cv2.imshow(name, img)cv2.waitKey(0)cv2.destroyAllWindows()
cv_show('img1',img1)
cv_show('img2',img2)
sift = cv2.xfeatures2d.SIFT_create()
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)
# crossCheck表示两个特征点要互相匹,例如A中的第i个特征点与B中的第j个特征点最近的,并且B中的第j个特征点到A中的第i个特征点也是
#NORM_L2: 归一化数组的(欧几里德距离),如果其他特征计算方法需要考虑不同的匹配计算方式
bf = cv2.BFMatcher(crossCheck=True)
1对1的匹配
matches = bf.match(des1, des2)
matches = sorted(matches, key=lambda x: x.distance)
img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None,flags=2)
cv_show('img3',img3)
k对最佳匹配
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)
good = []
for m, n in matches:if m.distance < 0.75 * n.distance:good.append([m])
img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)
cv_show('img3',img3)
如果需要更快速完成操作,可以尝试使用cv2.FlannBasedMatcher
随机抽样一致算法(Random sample consensus,RANSAC)
选择初始样本点进行拟合,给定一个容忍范围,不断进行迭代
每一次拟合后,容差范围内都有对应的数据点数,找出数据点个数最多的情况,就是最终的拟合结果
单应性矩阵
OpenCV-图像特征harris角点检测/SIFT函数/特征匹配-05相关推荐
- OpenCV 图像特征提取——Harris角点检测
OpenCV 图像特征提取 Harris 角点检测 文章目录 1.什么是角点 2.如何区分角点.边界和平面 3.角点公式推导 4.OpenCV相关函数 5.角点检测程序实现 最后 1.什么是角点 ...
- cv2.cornerHarris()详解 python+OpenCV 中的 Harris 角点检测
原文作者:aircraft 原文地址:https://www.cnblogs.com/DOMLX/p/8763369.html 参考文献----------OpenCV-Python-Toturial ...
- 图像特征-Harris角点检测
1. 角点定义 角点检测又称为特征点检测,是图像处理和计算机视觉中用来获取局部特征点的一类方法,广泛应用于运动检测.图像匹配.视频跟踪等领域.角点可以简单地定义为轮廓之间的交点,严格地定义是在两个主方 ...
- OpenCV中的Harris角点检测
OpenCV中的Harris角点检查 1. 效果图 2. 原理 3. 源码 3.1 Harris角点检测 3.2 精细角点检测 参考 这篇博客将了解什么是特征,角点,哈里斯角点检测(Harris Co ...
- Harris角点检测+sift描述匹配
最近用到:Harris检测图像中边缘处的特征点,并且需要两张图特征点匹配起来.Harris只是一个角点检测的算法,最终只得到特征点坐标,想要匹配需要描述,而Harris是单尺度的,自己写描述函数又有些 ...
- 【Opencv】基于Opencv和PCV两种方法的Harris 角点检测与匹配
[Opencv]基于Opencv和PCV两种方法的Harris 角点检测与匹配[附代码] 理解Harris角点检测 代码:Harris角点检测 1.[opencv版]Harris角点检测 2.[PCV ...
- OpenCV角点检测之Harris角点检测
本篇文章中,我们一起探讨了OpenCV中Harris角点检测相关的知识点,学习了OpenCV中实现Harris角点检测的cornerHarris函数的使用方法.此博文一共有两个配套的麻雀虽小但五脏俱全 ...
- Harris角点检测,及其Matlab和OpenCV实现
1.Harris角点检测算法实现步骤 (1)计算图像I(x,y)I(x,y)I(x,y)在XXX和YYY两个方向的梯度Ix,Iy{{I}_{x}},{{I}_{y}}Ix,Iy:Ix=∂I∂x=I ...
- 计算机视觉(角点检测)- 1 - Harris角点检测
计算机视觉(角点检测)- 1 - Harris角点检测 学习前言 一.Harris角点检测 1.什么是角点? 2.Harris角点检测的基本原理&基本思想 3.Harris角点检测 ...
最新文章
- 地址池命令 思科理由_思科互联网络操作系统 ——路由器接口
- ubuntu 修改root密码
- linux wget下载整个ftp目录(含子目录)
- kindeditor-网页文字编辑
- 惊呆!学习MySQL真的这一篇就够了!太全了
- Window下JDK安装教程
- j控制frameset修改cols,页面的隐藏和打开。
- 华为系统p40pro计算机,华为P40 Pro:我来了!
- Mac Os的java开发环境以及MySql环境配置
- css 文字溢出文本时省略号代替
- Java丨基础:十三、集合
- 使用WEPE一键安装系统
- 腾讯电脑管家修复代理服务器,腾讯电脑管家修复msvcp140.dll丢失的方法
- 浅学C#(3)——C#的优点和缺点
- 自学JQuery Mobile的几个例子
- Tumblr的消息通知系统是如何构建的
- 八核处理器真的比四核性能强悍吗?
- Maven系列学习(2)——java project的创建
- 如何消除文法的二义性
- Win11安装cad缺少net组件怎么办?
热门文章
- JQUERY的size()与length
- delphi中,idftp怎样查找ftp服务器的是否存在一个文件,delphi – IDFTP DirExists和MakeDir...
- ob服务器维修视频,【转】科普贴骗经验~,可ob全球各服务器玩家比赛的网站
- 职业学校教的计算机技术,浅谈对职业学校计算机专业数据库教学
- 华为p50预计售价鸿蒙是什么,华为P50pro预计售价多少 华为P50Pro参数配置
- springboot创建项目(通过spring官网)详细
- java消息 框架_java 框架-消息队列ActiveMQ
- spring boot-The temporary upload location [ ] is not valid
- linux decode函数,Oracle 中 decode 函数用法
- python leetcode_七十五、Python | Leetcode哈希表系列