• OpenCV+特征检测


    检测

    函数cv.cornerHarris()。其参数为:

    • img 输入图像,应为灰度和float32类型
    • blockSize是拐角检测考虑的邻域大小
    • ksize 使用的Sobel导数的光圈参数
    • k 等式中的哈里斯检测器自由参数
    import numpy as np
    import cv2 as cv
    filename = 'chessboard.png'
    img = cv.imread(filename)
    gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
    gray = np.float32(gray)
    dst = cv.cornerHarris(gray,2,3,0.04)
    # result用于标记角点,并不重要
    dst = cv.dilate(dst,None)
    # 最佳值的阈值,它可能因图像而异。
    img[dst>0.01*dst.max()]=[0,0,255]
    cv.imshow('dst',img)
    if cv.waitKey(0) & 0xff == 27:
    cv.destroyAllWindows()
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14

    SubPixel精度的转角

    函数cv.cornerSubPix(),它进一步细化了以亚像素精度检测到的角落。和往常一样,我们需要先找到哈里斯角。
    然后我们通过这些角的质心(可能在一个角上有一堆像素,我们取它们的质心)来细化它们。对于这个函数,我们必须定义何时停止迭代的条件。我们在特定的迭代次数或达到一定的精度后停止它,无论先发生什么。我们还需要定义它将搜索角落的邻居的大小。

    import numpy as np
    import cv2 as cv
    filename = 'chessboard2.jpg'
    img = cv.imread(filename)
    gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
    寻找哈里斯角
    gray = np.float32(gray)
    dst = cv.cornerHarris(gray,2,3,0.04)
    dst = cv.dilate(dst,None)
    ret, dst = cv.threshold(dst,0.01*dst.max(),255,0)
    dst = np.uint8(dst)
    # 寻找质心
    ret, labels, stats, centroids = cv.connectedComponentsWithStats(dst)
    # 定义停止和完善拐角的条件
    criteria = (cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER, 100, 0.001)
    corners = cv.cornerSubPix(gray,np.float32(centroids),(5,5),(-1,-1),criteria)
    # 绘制
    res = np.hstack((centroids,corners))
    res = np.int0(res)
    img[res[:,1],res[:,0]]=[0,0,255]
    img[res[:,3],res[:,2]] = [0,255,0]
    cv.imwrite('subpixel5.png',img)
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22

    Shi-tomas拐角检测器和益于跟踪的特征

    它通过Shi-Tomasi方法(或哈里斯角检测,如果指定)找到图像中的N个最强角。像往常一样,图像应该是灰度图像。然后,指定要查找的角数。然后,您指定质量级别,该值是介于0-1 之间的值,该值表示每个角落都被拒绝的最低拐角质量。然后,我们提供检测到的角之间的最小欧式距离。 利用所有这些信息,该功能可以找到图像中的拐角。低于平均质量的所有拐角点均被拒绝。然后,它会根据质量以降序对剩余的角进行排序。然后函数首先获取最佳拐角,然后丢弃最小距离范围内的所有附近拐角,然后返回N个最佳拐角。 在下面的示例中,我们将尝试找到25个最佳弯角:

    import numpy as np
    import cv2 as cv
    from matplotlib import pyplot as plt
    img = cv.imread('blox.jpg')
    gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
    corners = cv.goodFeaturesToTrack(gray,25,0.01,10)
    corners = np.int0(corners)
    for i in corners:
    x,y = i.ravel()
    cv.circle(img,(x,y),3,255,-1)
    plt.imshow(img),plt.show()
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11

    SIFT尺度不变特征变换

    import numpy as np
    import cv2 as cv
    img = cv.imread('home.jpg')
    gray= cv.cvtColor(img,cv.COLOR_BGR2GRAY)
    sift = cv.xfeatures2d.SIFT_create()
    kp = sift.detect(gray,None)
    # sift.detect()函数在图像中找到关键点。如果只想搜索图像的一部分,则可以通过掩码。每个关键
    点是一个特殊的结构,具有许多属性,例如其(x,y)坐标,有意义的邻域的大小,指定其方向的角度,指定关键点强度的响应等。
    img=cv.drawKeypoints(gray,kp,img)
    # OpenCV还提供**cv.drawKeyPoints**()函数,该函数在关键点的位置绘制小圆圈。 如果将标志
    **cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS**传递给它,它将绘制一个具有关键点大小的圆,甚至会显示其方向。
    cv.imwrite('sift_keypoints.jpg',img)
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12

    SURF简介(加速)

    SURF.detect(),SURF.compute()等来查找关键点和描述符。

    # 创建SURF对象。你可以在此处或以后指定参数
    # 这里设置海森矩阵的阈值为400,在实际情况下,最好将值设为300-500
    surf = cv.xfeatures2d.SURF_create(400)
    # 直接查找关键点和描述符
     kp, des = surf.detectAndCompute(img,None)
    
    • 1
    • 2
    • 3
    • 4
    • 5

    用于角点检测的FAST算法(任何其他特征检测器)

    可以指定阈值,是否要应用非极大抑制,要使用的邻域等。 对于邻域,定义了三个标志,分别为cv.FAST_FEATURE_DETECTOR_TYPE_5_-8 , cv.FAST_FEATURE_DETECTOR_TYPE_7_-12 和cv.FAST_FEATURE_DETECTOR_TYPE_9_-16 。

    import numpy as np
    import cv2 as cv
    from matplotlib import pyplot as plt
    img = cv.imread('simple.jpg',0)
    # 用默认值初始化FAST对象
    fast = cv.FastFeatureDetector_create()
    # 寻找并绘制关键点
    kp = fast.detect(img,None)
    img2 = cv.drawKeypoints(img, kp, None, color=(255,0,0))
    # 打印所有默认参数
    print( "Threshold: {}".format(fast.getThreshold()) )
    print( "nonmaxSuppression:{}".format(fast.getNonmaxSuppression()) )
    print( "neighborhood: {}".format(fast.getType()) )
    print( "Total Keypoints with nonmaxSuppression: {}".format(len(kp)) )
    cv.imwrite('fast_true.png',img2)
    # 关闭非极大抑制(一个位置只有一个关键点)
    fast.setNonmaxSuppression(0)
    kp = fast.detect(img,None)
    print( "Total Keypoints without nonmaxSuppression: {}".format(len(kp)) )
    img3 = cv.drawKeypoints(img, kp, None, color=(255,0,0))
    cv.imwrite('fast_false.png',img3)
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21

    BRIEF(二进制的鲁棒独立基本特征)

    它提供了一种直接查找二进制字符串而无需查找描述符的快捷方式。它需要平滑的图像补丁,并以独特的方式(在纸上展示)选择一组n_d(x,y)位置对。然后,在这些位置对上进行一些像素强度比较。例如,令第一位置对为p和q。如果I§ BRIEF是特征描述符,它不提供任何查找特征的方法。函数brief.getDescriptorSize() 给出以字节为单位的n_d大小。默认情况下为32。

    import numpy as np
    import cv2 as cv
    from matplotlib import pyplot as plt
    img = cv.imread('simple.jpg',0)
    # 初始化FAST检测器
    star = cv.xfeatures2d.StarDetector_create()
    # 初始化BRIEF提取器
    brief = cv.xfeatures2d.BriefDescriptorExtractor_create()
    # 找到STAR的关键点
    kp = star.detect(img,None)
    # 计算BRIEF的描述符
    kp, des = brief.compute(img, kp)
    print( brief.descriptorSize() )
    print( des.shape )
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14

    ORB(面向快速和旋转的BRIEF)

    与往常一样,我们必须使用函数cv.ORB()或使用feature2d通用接口来创建ORB对象。它具有许多可选参数。最有用的是nFeatures,它表示要保留的最大特征数(默认为500),scoreType表示是对特征进行排名的Harris分数还是FAST分数(默认为Harris分数)等。另一个参数WTA_K决定点数产生定向的BRIEF描述符的每个元素。默认情况下为两个,即一次选择两个点。在这种情况下,为了匹配,将使用NORM_HAMMING距离。如果WTA_K为3或4,则需要3或4个点来生成Brief描述符,则匹配距离由NORM_HAMMING2定义。 下面是显示ORB用法的简单代码。

    import numpy as np
    import cv2 as cv
    from matplotlib import pyplot as plt
    img = cv.imread('simple.jpg',0)
    # 初始化ORB检测器
    orb = cv.ORB_create()
    # 用ORB寻找关键点
    kp = orb.detect(img,None)
    # 用ORB计算描述符
    kp, des = orb.compute(img, kp)
    # 仅绘制关键点的位置,而不绘制大小和方向
    img2 = cv.drawKeypoints(img, kp, None, color=(0,255,0), flags=0)
    plt.imshow(img2), plt.show()
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13

    特征匹配

    ORB

    创建一个距离测量值为cv.NORM_HAMMING的BFMatcher对象(因为我们使用的是ORB),并且启用了CrossCheck以获得更好的结果。然后,我们使用Matcher.match()方法来获取两个图像中的最佳匹配。我们按照距离的升序对它们进行排序,以使最佳匹配(低距离)排在前面。然后我们只抽出前10的匹配(只是为了提高可见度。您可以根据需要增加它)

    # 创建BF匹配器的对象
    bf = cv.BFMatcher(cv.NORM_HAMMING, crossCheck=True) # 匹配描述符.
    matches = bf.match(des1,des2) # 根据距离排序
    matches = sorted(matches, key = lambda x:x.distance) # 绘制前10的匹配项
    img3 = cv.drawMatches(img1,kp1,img2,kp2,matches[:10],None,flags=cv.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
    plt.imshow(img3),plt.show()
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    matchs = bf.match(des1,des2) 行的结果是DMatch对象的列表。该DMatch对象具有以下属性:

    • DMatch.distance-描述符之间的距离。越低越好
    • DMatch.trainIdx-训练描述符中的描述符索引
    • DMatch.queryIdx-查询描述符中的描述符索引
    • DMatch.imgIdx-训练图像的索引

    带有SIFT描述符和比例测试的Brute-Force匹配

    使用BFMatcher.knnMatch()获得k个最佳匹配。

    import numpy as np
    import cv2 as cv
    import matplotlib.pyplot as plt
    img1 = cv.imread('box.png',cv.IMREAD_GRAYSCALE) # 索引图像
    img2 = cv.imread('box_in_scene.png',cv.IMREAD_GRAYSCALE) # 训练图像
    # 初始化SIFT描述符
    sift = cv.xfeatures2d.SIFT_create()
    # 基于SIFT找到关键点和描述符
    kp1, des1 = sift.detectAndCompute(img1,None)
    kp2, des2 = sift.detectAndCompute(img2,None)
    # 默认参数初始化BF匹配器
    bf = cv.BFMatcher()
    matches = bf.knnMatch(des1,des2,k=2)
    # 应用比例测试
    good = []
    for m,n in matches:
    if m.distance < 0.75*n.distance:
    good.append([m])
    # cv.drawMatchesKnn将列表作为匹配项。
    img3 =cv.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=cv.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS
    plt.imshow(img3),plt.show()
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21

    基于匹配器的FLANN

    FLANN是近似最近邻的快速库。它包含一组算法,这些算法针对大型数据集中的快速最近邻搜索和高维特征进行了优化。对于大型数据集,它的运行速度比BFMatcher快。我们将看到第二个基于FLANN的匹配器示例。
    对于基于FLANN的匹配器,我们需要传递两个字典,这些字典指定要使用的算法,其相关参数等。第一个是IndexParams。对于各种算法,要传递的信息在FLANN文档中进行了说明。概括来说,对于SIFT,SURF等算法,您可以通过以下操作:

    FLANN_INDEX_KDTREE = 1
    index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
    
    • 1
    • 2

    使用ORB时,你可以参考下面。根据文档建议使用带注释的值,但在某些情况下未提供必需的参
    数。其他值也可以正常工作。

    FLANN_INDEX_LSH = 6
    index_params= dict(algorithm = FLANN_INDEX_LSH,
    table_number = 6, # 12
    key_size = 12, # 20
    multi_probe_level = 1) #2
    
    • 1
    • 2
    • 3
    • 4
    • 5

    第二个字典是SearchParams。它指定索引中的树应递归遍历的次数。较高的值可提供更好的精度,但也需要更多时间。如果要更改值,请传递search_params = dict(checks = 100)

    flann = cv.FlannBasedMatcher(index_params,search_params)
    matches = flann.knnMatch(des1,des2,k=2)
    
    • 1
    • 2
  • 相关阅读:
    手把手教你制作手机底部导航栏,领导看完都说好
    Matter理论教程-通用-1-01:理论详解
    中科大-数字图像分析-期末考试试卷回忆版汇总
    【软件工程之美 - 专栏笔记】34 | 账号密码泄露成灾,应该怎样预防?
    3. Visual Studio: Debug within k8s Cluster Using Bridge to Kubernetes
    自己封装的swing框架,能够快速写出一个页面(带Tab、菜单)
    Linux学习-02-Linux的安装
    SpringBoot整合Caffeine实现缓存
    前端优化渲染:长列表渲染
    【多目标进化优化】 MOEA 测试函数
  • 原文地址:https://blog.csdn.net/s1t16/article/details/134399135