詳解opencv Python特征檢測及K-最近鄰匹配

更新時間：2019年01月21日 08:19:25 作者：天煞孤星0嚴

這篇文章主要介紹了詳解opencv Python特征檢測及K-最近鄰匹配，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧

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(shù)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(shù)，這里使用了Sobel算子，簡單來說，其取為3-31間的奇數(shù)，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(shù)，取值參數(shù)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(fā)生改變時極其容易丟失圖像細節(jié)，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(shù)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(qū)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(chuàng)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(qū)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(qū)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(shù)的圖像尺寸和相鄰像素會發(fā)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(shù)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(shù)
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(yōu)于前兩種算法，也吸收了其優(yōu)點，同時他是開源的。

# 創(chuàng)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(yōu)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(shù)參數(shù)：
# normType：NORM_L1, NORM_L2, NORM_HAMMING, NORM_HAMMING2。
# NORM_L1和NORM_L2是SIFT和SURF描述符的優(yōu)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(shù)據集，對新的輸入實例，在訓練數(shù)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(shù)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(shù)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(shù)據歸為哪一類。

這里我們直接調用opencv庫中的KNN函數(shù)，使用較簡單。該KNN匹配利用BF匹配后的數(shù)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(shù)所得到的結果差距不大，但二者主要區(qū)別是KnnMatch所返回的是K個匹配值，可以容許我們繼續(xù)處理，而match返回最佳匹配。

以下為樣圖