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(xué)習(xí)opencv的同學(xué)共勉

一.特征檢測

圖片的特征主要分為角點(diǎn)，斑點(diǎn)，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(diǎn)檢測

先將圖片轉(zhuǎn)換為灰度模式，再使用以下函數(shù)檢測圖片的角點(diǎn)特征：

dst=cv2.cornerHarris(src, blockSize, ksize, k[, dst[, borderType]])

重點(diǎn)關(guān)注第三個(gè)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(diǎn)檢測的敏感性，不同圖片需要進(jìn)行調(diào)試。

k 是 Harris 角點(diǎn)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(diǎn)檢測及SIFT特征變換

Harris角點(diǎn)檢測在面對圖像尺度性發(fā)生改變時(shí)極其容易丟失圖像細(xì)節(jié)，造成檢測失誤。因此在檢測圖像特征時(shí)，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(diǎn)檢測即將兩幅圖像在不同參數(shù)下的高斯濾波結(jié)果相減，得到DoG圖。步驟：用兩個(gè)不同的5x5高斯核對圖像進(jìn)行卷積，然后再相減的操作。重復(fù)三次得到三個(gè)差分圖A,B,C。計(jì)算出的A,B,C三個(gè)DOG圖中求圖B中是極值的點(diǎn)。圖B的點(diǎn)在當(dāng)前由A,B,C共27個(gè)點(diǎn)組成的block中是否為極大值或者極小值。若滿足此條件則認(rèn)為是角點(diǎn)。

SIFT對象會(huì)使用DoG檢測關(guān)鍵點(diǎn)，并對每個(gè)關(guān)鍵點(diǎn)周圍的區(qū)域計(jì)算特征向量。事實(shí)上他僅做檢測和計(jì)算，其返回值是關(guān)鍵點(diǎn)信息（關(guān)鍵點(diǎn)）和描述符。

#下列代碼即先創(chuàng)建一個(gè)SIFT對象，然后計(jì)算灰度圖像
sift = cv2.xfeatures2d.SIFT_create()
keypoints, descriptor = sift.detectAndCompute(gray, None)

#sift對象會(huì)使用DoG檢測關(guān)鍵點(diǎn)，對關(guān)鍵點(diǎn)周圍的區(qū)域計(jì)算向量特征，檢測并計(jì)算

需要注意的是，返回的是關(guān)鍵點(diǎn)和描述符

關(guān)鍵點(diǎn)是點(diǎn)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(guān)鍵點(diǎn)的屬性：pt: 點(diǎn)的x y坐標(biāo) size： 表示特征的直徑 angle: 特征方向 response: 關(guān)鍵點(diǎn)的強(qiáng)度 octave: 特征所在金字塔層級(jí)，算法進(jìn)行迭代的時(shí)候， 作為參數(shù)的圖像尺寸和相鄰像素會(huì)發(fā)生變化octave屬性表示檢測到關(guān)鍵點(diǎn)所在的層級(jí) ID： 檢測到關(guān)鍵點(diǎn)的ID

SIFT特征不只具有尺度不變性，即使改變旋轉(zhuǎn)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(guān)鍵點(diǎn)

借用下度娘的說法：SURF算法原理：

1.構(gòu)建Hessian矩陣構(gòu)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(diǎn)

3精確定位極值點(diǎn)

4選取特征點(diǎn)的主方向

5構(gòu)造surf特征點(diǎn)描述算子

具體應(yīng)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(shè)置是否要檢測方向
surf.setUpright(True)
#輸出設(shè)置值
print(surf.getUpright())
#找到關(guān)鍵點(diǎn)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(gè)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(biāo)志出特征點(diǎn)，不要問我為什么選這種鬼畜樣圖，可能是因?yàn)榍閼?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(hù)

4.orb特征提取

ORB算法使用FAST算法尋找關(guān)鍵點(diǎn)，然后使用Harris角點(diǎn)檢測找到這些點(diǎn)當(dāng)中的最好的N個(gè)點(diǎn)，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(diǎn)，同時(shí)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(gè)包含若干點(diǎn)的列表,des對應(yīng)每個(gè)點(diǎn)的描述符 是一個(gè)列表， 每一項(xiàng)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(jìn)行優(yōu)化，是一種描述符匹配方法，將每個(gè)對應(yīng)的描述符的特征進(jìn)行比較，每次比較給出一個(gè)距離值，最好的結(jié)果賊被認(rèn)為是一個(gè)匹配。

# 暴力匹配BFMatcher，遍歷描述符，確定描述符是否匹配，然后計(jì)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(xùn)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(xùn)練圖像的索引。

2.K-最近鄰匹配

KNN算法可能是最簡單的機(jī)器學(xué)習(xí)算法，即給定一個(gè)已訓(xùn)練的數(shù)據(jù)集，對新的輸入實(shí)例，在訓(xùn)練數(shù)據(jù)集中找到與該實(shí)例最鄰近的K個(gè)實(shí)例，這K個(gè)實(shí)例的多數(shù)屬于某個(gè)類，則判定該輸入實(shí)例同屬此類。

概念比較冗長，大致可以理解為如果一個(gè)樣本在特征空間中的k個(gè)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(gè)類別，則該樣本也屬于這個(gè)類別,我個(gè)人簡單的理解為由那離自己最近的K個(gè)點(diǎn)來投票決定待分類數(shù)據(jù)歸為哪一類。

這里我們直接調(diào)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(jù)進(jìn)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(guān)鍵點(diǎn)和特征描述
keypoint1, desc1 = orb.detectAndCompute(img1, None)
keypoint2, desc2 = orb.detectAndCompute(img2, None)
"""
keypoint 是關(guān)鍵點(diǎn)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(gè)最佳的匹配項(xiàng)
bf返回所有的匹配項(xiàng)
"""
# 畫出匹配結(jié)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(jié)果與match函數(shù)所得到的結(jié)果差距不大，但二者主要區(qū)別是KnnMatch所返回的是K個(gè)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

cat

實(shí)現(xiàn)簡單的圖像檢索功能時(shí)，此類特征匹配算法對硬件的要求較低，效率較高，但是準(zhǔn)確度有待考量

與一起學(xué)習(xí)opencv的同學(xué)共勉，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評論