圖像特征-harris角點檢測

基本原理

R>0 角點
R≈0 平坦區域
R<0 邊界

總結一下Harris算法流程

獲取點數據后,計算Ix 和 Iy
整合矩陣,求特征值
比較特征值大小
非極大值抑制NMS,過濾掉不是那么角的

OpenCV中怎么檢測Harris

cv2.cornerHarris()
img： 數據類型為 ?oat32 的入圖像
blockSize： 角點檢測中指定區域的大小，前面提到的w(u,v),可能是個高斯函數
ksize： 就像Sobel求導中使用的窗口大小
k： 取值參數為 [0,04,0.06]. 默認0.04
返回dst：輸出圖像

import cv2 import numpy as npimg = cv2.imread('chessboard.jpg') #讀取圖片 print ('img.shape:',img.shape) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 轉換成灰度圖 # gray = np.float32(gray) dst = cv2.cornerHarris(gray, 2, 3, 0.04) # 執行檢測 print ('dst.shape:',dst.shape)

# dst.max是最大值,一定是角點 # 只要dst中滿足0.01倍的最大值，就判定為角點，要求較高的也可以設置為其他倍數 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）

圖像尺度空間

在一定的范圍內，無論物體是大還是小，人眼都可以分辨出來，然而計算機要有相同的能力卻很難，所以要讓機器能夠對物體在不同尺度下有一個統一的認知，就需要考慮圖像在不同的尺度下都存在的特點。

尺度空間的獲取通常使用高斯模糊來實現


不同σ的高斯函數決定了對圖像的平滑程度，越大的σ值對應的圖像越模糊。

高斯差分金字塔（DOG）

DoG空間極值檢測

為了尋找尺度空間的極值點，每個像素點要和其圖像域（同一尺度空間）和尺度域（相鄰的尺度空間）的所有相鄰點進行比較，當其大于（或者小于）所有相鄰點時，該點就是極值點。如下圖所示，中間的檢測點要和其所在圖像的3×3鄰域8個像素點，以及其相鄰的上下兩層的3×3領域18個像素點，共26個像素點進行比較。

關鍵點的精確定位

這些候選關鍵點是DOG空間的局部極值點，而且這些極值點均為離散的點，精確定位極值點的一種方法是，對尺度空間DoG函數進行曲線擬合，計算其極值點，從而實現關鍵點的精確定位。


消除邊界響應

特征點的主方向

每個特征點可以得到三個信息(x,y,σ,θ)，即位置、尺度和方向。具有多個方向的關鍵點可以被復制成多份，然后將方向值分別賦給復制后的特征點，一個特征點就產生了多個坐標、尺度相等，但是方向不同的特征點。

生成特征描述

在完成關鍵點的梯度計算后，使用直方圖統計鄰域內像素的梯度和方向。

為了保證特征矢量的旋轉不變性，要以特征點為中心，在附近鄰域內將坐標軸旋轉θ角度，即將坐標軸旋轉為特征點的主方向。

旋轉之后的主方向為中心取8x8的窗口，求每個像素的梯度幅值和方向，箭頭方向代表梯度方向，長度代表梯度幅值，然后利用高斯窗口對其進行加權運算，最后在每個4x4的小塊上繪制8個方向的梯度直方圖，計算每個梯度方向的累加值，即可形成一個種子點，即每個特征的由4個種子點組成，每個種子點有8個方向的向量信息。

論文中建議對每個關鍵點使用4x4共16個種子點來描述，這樣一個關鍵點就會產生128維的SIFT特征向量。

使用open cv前最好先安裝anaconda.由于部分函數涉及專利問題，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的才能支持該版本，所以在此之前先要安裝python3.6的環境，也可以直接安裝低版本的anaconda,安裝環境方法如下：conda create --name py3.6 python=3.6 #創建python3.6環境 conda activate py3.6 #進入該環境 pip install opencv-python==3.4.1.15 #安裝opencv pip install opencv-contrib-python==3.4.1.15 #安裝opencv的其他包

opencv SIFT函數

import cv2 import numpy as npimg = cv2.imread('test_1.jpg')# 讀取圖像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度圖 sift = cv2.xfeatures2d.SIFT_create() # 實例化一個sift kp = sift.detect(gray, None) # 傳進去一個圖像

img = cv2.drawKeypoints(gray, kp, img) # 繪制關鍵點cv2.imshow('drawKeypoints', img) cv2.waitKey(0) cv2.destroyAllWindows()

計算特征

kp, des = sift.compute(gray, kp) print (np.array(kp).shape)

des.shape

特征匹配

### Brute-Force蠻力匹配

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表示兩個特征點要互相匹，例如A中的第i個特征點與B中的第j個特征點最近的，并且B中的第j個特征點到A中的第i個特征點也是 #NORM_L2: 歸一化數組的(歐幾里德距離)，如果其他特征計算方法需要考慮不同的匹配計算方式 bf = cv2.BFMatcher(crossCheck=True)

1對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對最佳匹配

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，可以嘗試使用cv2.FlannBasedMatcher

隨機抽樣一致算法（Random sample consensus，RANSAC）

選擇初始樣本點進行擬合，給定一個容忍范圍，不斷進行迭代

每一次擬合后，容差范圍內都有對應的數據點數，找出數據點個數最多的情況，就是最終的擬合結果

單應性矩陣

總結

以上是生活随笔為你收集整理的OpenCV-图像特征harris角点检测/SIFT函数/特征匹配-05的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。