欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python OpenCV学习之特征点检测与匹配详解

程序员文章站 2022-06-17 14:52:07
目录背景一、harris角点二、shi-tomasi角点检测三、sift关键点四、sift描述子五、surf六、orb七、暴力特征匹配(bf)八、flann特征匹配九、图像查找总结背景提取图像的特征点...

背景

提取图像的特征点是图像领域中的关键任务,不管在传统还是在深度学习的领域中,特征代表着图像的信息,对于分类、检测任务都是至关重要的;

特征点应用的一些场景:

图像搜索:以图搜图(电商、教育领域)

图像拼接:全景拍摄(关联图像拼接)

拼图游戏:游戏领域

一、harris角点

哈里斯角点检测主要有以下三种情况:

Python OpenCV学习之特征点检测与匹配详解

  • 光滑区域:无论向哪个方向移动,衡量系数不变;
  • 边缘区域:垂直边缘移动时,衡量系数变化强烈;
  • 角点区域:不管往哪个方向移动,衡量系数变化强烈;

函数原型:

cornerharris(img,blocksize,ksize,k)

blocksize:检测窗口大小;

k:权重系数,一般取0.02~0.04之间;

代码案例:

img = cv2.imread('chess.png')
gray = cv2.cvtcolor(img, cv2.color_bgr2gray)

dst = cv2.cornerharris(gray, 2, 3, 0.04)

img[dst > 0.01*dst.max()] = (0, 0, 255)

cv2.imshow('harris', img)
cv2.waitkey(0)

Python OpenCV学习之特征点检测与匹配详解

二、shi-tomasi角点检测

说明:是harris角点检测的改进,在harris中需要知道k这个经验值,而在shi-tomasi不需要;

函数原型:

goodfeaturestotrack(img,…)

maxcorners:角点的最大数量,值为0表示所有;

qualitylevel:角点的质量,一般在0.01~0.1之间(低于的过滤掉);

mindistance:角点之间最小欧式距离,忽略小于此距离的点;

mask:感兴趣区域;

useharrisdetector:是否使用harris算法(默认为false)

代码案例:

img = cv2.imread('chess.png')
gray = cv2.cvtcolor(img, cv2.color_bgr2gray)

dst = cv2.goodfeaturestotrack(gray, 1000, 0.01, 10)
dst = np.int0(dst)            # 实际上也是np.int64
for i in dst:
    x, y = i.ravel()         # 数组降维成一维数组(inplace的方式)
    cv2.circle(img, (x, y), 3, (0, 0, 255), -1)

cv2.imshow('harris', img)
cv2.waitkey(0)

Python OpenCV学习之特征点检测与匹配详解

本质上和harris角点检测相同,效果会好一些,角点数量会多一些;

三、sift关键点

中文简译:与缩放无关的特征转换;

说明:harris角点检测具有旋转不变性,也就是旋转图像并不会影响检测效果;但其并不具备缩放不变性,缩放大小会影响角点检测的效果;sift具备缩放不变性的性质;

实现步骤:

创建sift对象 —— 进行检测(sift.detect) —— 绘制关键点(drawkeypoints)

代码案例:

img = cv2.imread('chess.png')
gray = cv2.cvtcolor(img, cv2.color_bgr2gray)

sift = cv2.xfeatures2d.sift_create()
kp = sift.detect(gray, none)      # 第二个参数为mask区域
cv2.drawkeypoints(gray, kp, img)

cv2.imshow('sift', img)
cv2.waitkey(0)

Python OpenCV学习之特征点检测与匹配详解

四、sift描述子

首先需要说明,关键点和描述子是两个概念;

关键点:位置、大小和方向;

关键点描述子:记录了关键点周围对其有贡献的像素点的一组向量值,其不受仿射变换,光照变换等影响;描述子的作用就是用于特征匹配;

同时计算关键点和描述子的函数(主要使用):

detectandcompute(img,…)

代码案例:

img = cv2.imread('chess.png')
gray = cv2.cvtcolor(img, cv2.color_bgr2gray)

sift = cv2.xfeatures2d.sift_create()
kp, dst = sift.detectandcompute(gray, none)      # 第二个参数为mask区域

得到的dst即为描述子的信息;

五、surf

中译:加速的鲁棒性特征检测;

说明:sift最大的缺点是速度慢,因此才会有surf(速度快);

实现步骤与sift一致,代码如下:

surf = cv2.xfeatures2d.surf_create()
kp, dst = surf.detectandcompute(gray, none)      # 第二个参数为mask区域
cv2.drawkeypoints(gray, kp, img)

由于安装的opencv-contrib版本过高(有版权问题),已经不支持该功能了,在此就不作展示了;

六、orb

说明:最大的优势就是做到实时检测,缺点就是缺失了很多信息(准确性下降);

主要是两个技术的结合:fast(特征点实时检测)+ briee(快速描述子建立,降低特征匹配时间)

使用步骤与之前的sift一致,代码如下:

img = cv2.imread('chess.png')
gray = cv2.cvtcolor(img, cv2.color_bgr2gray)

orb = cv2.orb_create()
kp, dst = orb.detectandcompute(gray, none)      # 第二个参数为mask区域
cv2.drawkeypoints(gray, kp, img)

cv2.imshow('orb', img)
cv2.waitkey(0)

Python OpenCV学习之特征点检测与匹配详解

可以看出,相比于sift以及surf关键点变少了,但是其速度有了很大提升;

七、暴力特征匹配(bf)

匹配原理:类似于穷举匹配机制,使用第一组中每个特征的描述子与第二组中的进行匹配,计算相似度,返回最接近的匹配项;

实现步骤:

创建匹配器:bfmatcher(normtype,crosscheck)

进行特征匹配:bf.match(des1,des2)

绘制匹配点:cv2.drawmatches(img1,kp1,img2,kp2)

代码案例:

img1 = cv2.imread('opencv_search.png')
img2 = cv2.imread('opencv_orig.png')
g1 = cv2.cvtcolor(img1, cv2.color_bgr2gray)
g2 = cv2.cvtcolor(img2, cv2.color_bgr2gray)

sift = cv2.sift_create()
kp1, dst1 = sift.detectandcompute(g1, none)      # 第二个参数为mask区域
kp2, dst2 = sift.detectandcompute(g2, none)      # 第二个参数为mask区域

bf = cv2.bfmatcher_create(cv2.norm_l1)
match = bf.match(dst1, dst2)
img3 = cv2.drawmatches(img1, kp1, img2, kp2, match, none)

cv2.imshow('result', img3)
cv2.waitkey(0)

Python OpenCV学习之特征点检测与匹配详解

从上图可看出,匹配的效果还是不错的,只有一个特征点匹配错误;

八、flann特征匹配

优点:在进行批量特征匹配时,flann速度更快;

缺点:由于使用的时邻近近似值,所有精度较差;

实现步骤与暴力匹配法一致,代码如下:

img1 = cv2.imread('opencv_search.png')
img2 = cv2.imread('opencv_orig.png')
g1 = cv2.cvtcolor(img1, cv2.color_bgr2gray)
g2 = cv2.cvtcolor(img2, cv2.color_bgr2gray)

sift = cv2.sift_create()
kp1, dst1 = sift.detectandcompute(g1, none)      # 第二个参数为mask区域
kp2, dst2 = sift.detectandcompute(g2, none)      # 第二个参数为mask区域

index_params = dict(algorithm = 1, trees = 5)
search_params = dict(checks=50)
flann = cv2.flannbasedmatcher(index_params, search_params)
matchs = flann.knnmatch(dst1, dst2, k=2)

good = []
for i, (m, n) in enumerate(matchs):
    if m.distance < 0.7 * n.distance:
        good.append(m)
img3 = cv2.drawmatchesknn(img1, kp1, img2, kp2, [good], none)

cv2.imshow('result', img3)
cv2.waitkey(0)

Python OpenCV学习之特征点检测与匹配详解

上图可以看出,匹配的特征点数量相比暴力匹配明显变少了,但速度会快很多;

九、图像查找

实现原理:特征匹配 + 单应性矩阵;

单应性矩阵原理介绍:

Python OpenCV学习之特征点检测与匹配详解

上图中表示从两个不同角度对原图的拍摄,其中h为单应性矩阵,可通过该矩阵将图像进行转换;

下面使用两个函数实现图像查找的功能:

findhomography():获得单应性矩阵;

perspectivvetransform():仿射变换函数;

代码实现如下:

img1 = cv2.imread('opencv_search.png')
img2 = cv2.imread('opencv_orig.png')
g1 = cv2.cvtcolor(img1, cv2.color_bgr2gray)
g2 = cv2.cvtcolor(img2, cv2.color_bgr2gray)

sift = cv2.sift_create()
kp1, dst1 = sift.detectandcompute(g1, none)      # 第二个参数为mask区域
kp2, dst2 = sift.detectandcompute(g2, none)      # 第二个参数为mask区域

index_params = dict(algorithm = 1, trees = 5)
search_params = dict(checks=50)
flann = cv2.flannbasedmatcher(index_params, search_params)
matchs = flann.knnmatch(dst1, dst2, k=2)

good = []
for i, (m, n) in enumerate(matchs):
    if m.distance < 0.7 * n.distance:
        good.append(m)
if len(good) >= 4:
    # 获得源和目标点的数组
    srcpts = np.float32([kp1[m.queryidx].pt for m in good]).reshape(-1, 1, 2)
    dstpts = np.float32([kp2[m.trainidx].pt for m in good]).reshape(-1, 1, 2)
    
    # 获得单应性矩阵h
    h, _ = cv2.findhomography(srcpts, dstpts, cv2.ransac, 5.0)
    h, w = img1.shape[:2]
    pts = np.float32([[0,0], [0, h-1], [w-1, h-1], [w-1, 0]]).reshape(-1, 1, 2)
    # 进行放射变换
    dst = cv2.perspectivetransform(pts, h)
    
    # 绘制查找到的区域
    cv2.polylines(img2, [np.int32(dst)], true, (0,0,255))
else:
    print('good must more then 4.')
    exit()
    
img3 = cv2.drawmatchesknn(img1, kp1, img2, kp2, [good], none)

cv2.imshow('result', img3)
cv2.waitkey(0)

Python OpenCV学习之特征点检测与匹配详解

总结

本篇主要介绍了特征点检测和匹配,其中重要的部分时sift算法以及flann算法;通过所学的知识,可以简单实现一个图像查找的功能,也就是找子图的功能。甚至可以目标识别的效果;当然这里需要的是完全一致的,不同于深度学习中的目标识别任务

以上就是python opencv学习之特征点检测与匹配详解的详细内容,更多关于python opencv特征点检测与匹配的资料请关注其它相关文章!