本文主要是介绍图像特征之不求甚解,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
Harris 角点检测
角点是一个好的图像特征 ,可以根据角点找到在图中的位置
角点的一个特性:向任何方向移动变化都很大
使用函 数 cv2.cornerHarris( img, blockSize ,ksize , k) 可以用来进行角点检测
img : 数据类型为 flfloat32 的输入图像。
blockSize : 角点检测中要考虑的区域大小
ksize :Sobel 求导中使用的窗口大小
k :Harris 角点检测方程中的自由参数,取值参数为 [0,04 , 0.06]
Harris 角点检测的结果是一个由角点分数构成的灰度图像。选取适当的阈值对结果图像进行二值化就检测到了图像中的角点。
import cv2
import numpy as npimg = cv2.imread('qp.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)dst = cv2.cornerHarris(gray,2,3,0.04)img[dst>0.01*dst.max()]=[0,0,255] #阈值为显示的最佳值,可以改变
cv2.imshow('dst',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
尺度空间
如果对图像进行缩放,角点可能就不再是角点了。在一副小图中使用一个小的窗口可以检测到一个角点,但是如果图像被放大,再使用同样的窗口就检测不到角点了。
尺度不变特征变换( SIFT ),这个算法可以帮助我们提取图像中的关键点并计算它们的描述符
得到关键点
使用函数 sift.detect() 可以在图像中找到关键点。返回的关键点是一个带有很多不同属性的特殊结构体,这些属性中包含它的坐标(x,y),有意义的邻域大小,确定其方向的角度等。
使用函数cv2.drawKeyPoints(),它可以在关键点的部位绘制一个小圆圈
import cv2
import numpy as np
cv2.namedWindow('drawkeypoints',cv2.WINDOW_NORMAL)
img = cv2.imread('op.jpg')
gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#得到特征点
sift = cv2.SIFT_create()
kp = sift.detect(gray,None)
img=cv2.drawKeypoints(gray,kp,img)
cv2.imshow('drawkeypoints',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
计算关键点的描述符
关键点描述符
选取与关键点周围一个 16x16 的邻域,把它分成 16 个 4x4 的小方块,为每个小方块创建一个具有 8 个 方向区域 的方向直方图。总共加起来有 128 个 梯度信息, 就构成了关键点描述符
使用函数 sift.compute() 来计算这些关键点的描述符
kp 是一个关键点列表。des 是一个 Numpy 数组,其大小是关键点数目乘以 128。
kp, des = sift.compute(gray, kp)
print(np.array(kp).shape, des.shape)
这篇关于图像特征之不求甚解的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!