溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
鑒于即將啟程旅行，先上傳篇簡單的圖像檢索介紹，與各位一起學習opencv的同學共勉
一.特征檢測
圖片的特征主要分為角點，斑點，邊，脊向等，都是常用特征檢測算法所檢測到的圖像特征·
1.Harris角點檢測
先將圖片轉換為灰度模式，再使用以下函數檢測圖片的角點特征：
dst=cv2.cornerHarris(src, blockSize, ksize, k[, dst[, borderType]])
重點關注第三個參數，這里使用了Sobel算子，簡單來說，其取為3-31間的奇數，定義了角點檢測的敏感性，不同圖片需要進行調試。
k 是 Harris 角點檢測方程中的自由參數，取值參數為[0,04，0.06].
2.DoG角點檢測及SIFT特征變換
Harris角點檢測在面對圖像尺度性發生改變時極其容易丟失圖像細節，造成檢測失誤。因此在檢測圖像特征時，常常我們需要一些擁有尺度不變性的特征檢測算法。
DoG角點檢測即將兩幅圖像在不同參數下的高斯濾波結果相減，得到DoG圖。步驟：用兩個不同的5x5高斯核對圖像進行卷積，然后再相減的操作。重復三次得到三個差分圖A,B,C。計算出的A,B,C三個DOG圖中求圖B中是極值的點。圖B的點在當前由A,B,C共27個點組成的block中是否為極大值或者極小值。若滿足此條件則認為是角點。
SIFT對象會使用DoG檢測關鍵點，并對每個關鍵點周圍的區域計算特征向量。事實上他僅做檢測和計算，其返回值是關鍵點信息（關鍵點）和描述符。
#下列代碼即先創建一個SIFT對象，然后計算灰度圖像 sift = cv2.xfeatures2d.SIFT_create() keypoints, descriptor = sift.detectAndCompute(gray, None) #sift對象會使用DoG檢測關鍵點，對關鍵點周圍的區域計算向量特征，檢測并計算
需要注意的是，返回的是關鍵點和描述符
關鍵點是點的列表
描述符是檢測到的特征的局部區域圖像列表
介紹一下關鍵點的屬性：pt: 點的x y坐標 size： 表示特征的直徑 angle: 特征方向 response: 關鍵點的強度 octave: 特征所在金字塔層級，算法進行迭代的時候， 作為參數的圖像尺寸和相鄰像素會發生變化octave屬性表示檢測到關鍵點所在的層級 ID： 檢測到關鍵點的ID
SIFT特征不只具有尺度不變性，即使改變旋轉角度，圖像亮度或拍攝視角，仍然能夠得到好的檢測效果。
3.SURF提取和檢測特征
SURF是SIFT的加速版算法，采用快速Hessian算法檢測關鍵點
借用下度娘的說法：SURF算法原理：
1.構建Hessian矩陣構造高斯金字塔尺度空間
2.利用非極大值抑制初步確定特征點
3精確定位極值點
4選取特征點的主方向
5構造surf特征點描述算子
具體應用看代碼
import cv2
import numpy as np
img = cv2.imread('/home/yc/Pictures/jianbin.jpg')
#參數為hessian矩陣的閾值
surf = cv2.xfeatures2d.SURF_create(4000)
#設置是否要檢測方向
surf.setUpright(True)
#輸出設置值
print(surf.getUpright())
#找到關鍵點和描述符
key_query,desc_query = surf.detectAndCompute(img,None)
img=cv2.drawKeypoints(img,key_query,img)
#輸出描述符的個數
print(surf.descriptorSize())
cv2.namedWindow("jianbin",cv2.WINDOW_NORMAL)
cv2.imshow('jianbin',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
這是檢測效果，圖中已標志出特征點，不要問我為什么選這種鬼畜樣圖，可能是因為情懷(滑稽)
樣圖
需要注意的是，需要安裝之前版本的opencv-contrib庫才可以使用，surf及sift均受專利保護
4.orb特征提取
ORB算法使用FAST算法尋找關鍵點，然后使用Harris角點檢測找到這些點當中的最好的N個點，采用BRIEF描述子的特性。ORB算法處于起步階段，速度優于前兩種算法，也吸收了其優點，同時他是開源的。
# 創建ORB特征檢測器和描述符 orb = cv2.ORB_create() kp = orb.detect(img,None) # 對圖像檢測特征和描述符 kp, des = orb.compute(img, kp) #注意kp是一個包含若干點的列表,des對應每個點的描述符 是一個列表， 每一項都是檢測>到的特征的局部圖像
二、特征匹配
1.BF暴力匹配
暴力匹配的算法難以進行優化，是一種描述符匹配方法，將每個對應的描述符的特征進行比較，每次比較給出一個距離值，最好的結果賊被認為是一個匹配。
# 暴力匹配BFMatcher，遍歷描述符，確定描述符是否匹配，然后計算匹配距離并排序 # BFMatcher函數參數： # normType：NORM_L1, NORM_L2, NORM_HAMMING, NORM_HAMMING2。 # NORM_L1和NORM_L2是SIFT和SURF描述符的優先選擇，NORM_HAMMING和NORM_HAMMING2是用于ORB算法 bf = cv2.BFMatcher(normType=cv2.NORM_HAMMING, crossCheck=True) matches = bf.match(des1,des2) matches = sorted(matches, key = lambda x:x.distance) # matches是DMatch對象，具有以下屬性： # DMatch.distance - 描述符之間的距離。 越低越好。 # DMatch.trainIdx - 訓練描述符中描述符的索引 # DMatch.queryIdx - 查詢描述符中描述符的索引 # DMatch.imgIdx - 訓練圖像的索引。
2.K-最近鄰匹配
KNN算法可能是最簡單的機器學習算法，即給定一個已訓練的數據集，對新的輸入實例，在訓練數據集中找到與該實例最鄰近的K個實例，這K個實例的多數屬于某個類，則判定該輸入實例同屬此類。
概念比較冗長，大致可以理解為如果一個樣本在特征空間中的k個最相似(即特征空間中最鄰近)的樣本中的大多數屬于某一個類別，則該樣本也屬于這個類別,我個人簡單的理解為由那離自己最近的K個點來投票決定待分類數據歸為哪一類。
這里我們直接調用opencv庫中的KNN函數，使用較簡單。該KNN匹配利用BF匹配后的數據進行匹配。
完整代碼：
# coding:utf-8
import cv2
# 按照灰度圖像讀入兩張圖片
img1 = cv2.imread("/home/yc/Pictures/cat.jpg", cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread("/home/yc/Pictures/cat2.jpg", cv2.IMREAD_GRAYSCALE)
# 獲取特征提取器對象
orb = cv2.ORB_create()
# 檢測關鍵點和特征描述
keypoint1, desc1 = orb.detectAndCompute(img1, None)
keypoint2, desc2 = orb.detectAndCompute(img2, None)
"""
keypoint 是關鍵點的列表
desc 檢測到的特征的局部圖的列表
"""
# 獲得knn檢測器
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.knnMatch(desc1, desc2, k=1)
"""
knn 匹配可以返回k個最佳的匹配項
bf返回所有的匹配項
"""
# 畫出匹配結果
img3 = cv2.drawMatchesKnn(img1, keypoint1, img2, keypoint2, matches, img2, flags=2)
cv2.imshow("cat", img3)
cv2.waitKey()
cv2.destroyAllWindows()
也許這里得到的結果與match函數所得到的結果差距不大，但二者主要區別是KnnMatch所返回的是K個匹配值，可以容許我們繼續處理，而match返回最佳匹配。
以下為樣圖
cat
實現簡單的圖像檢索功能時，此類特征匹配算法對硬件的要求較低，效率較高，但是準確度有待考量
與一起學習opencv的同學共勉，希望對大家的學習有所幫助，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
