欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

OpenCV半小時掌握基本操作之SIFT算法

 更新時間：2021年09月08日 16:19:29   作者：我是小白呀  
這篇文章主要介紹了OpenCV基本操作之SIFT算法，本文給大家介紹的非常詳細，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值，需要的朋友可以參考下

概述

OpenCV 是一個跨平臺的計算機視覺庫, 支持多語言, 功能強大. 今天小白就帶大家一起攜手走進 OpenCV 的世界. (第 24 課)

在這里插入圖片描述

圖像尺度空間

在一定的范圍內(nèi), 無論物體是大還是小, 人眼都可以分辨出來. 而計算機要有相同的能力卻很難, 所以要讓機器能夠?qū)ξ矬w在不同尺度下有一個統(tǒng)一的認知, 就需要考慮圖像在不同的尺度下都存在的特點.

在這里插入圖片描述

多分辨率金字塔

使用高斯模糊, 不同的 σ 決定了圖像的平滑程度, 越大的 σ 值對應(yīng)的圖像越模糊. 通過使用不同的 σ 我們可以實現(xiàn)多分辨率金字塔.

在這里插入圖片描述

高斯模糊:

cv2.GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)
  • src: 需要濾波的圖片
  • ksize: 卷積核大小
  • sigmaX: 高斯核函數(shù)在 X 方向的的標(biāo)準偏差
  • sigmaY: 高斯核函數(shù)在 Y 方向的的標(biāo)準偏差

例子:

import cv2
from matplotlib import pyplot as plt

# 讀取圖片
img = cv2.imread("face.jpg")

# 畫圖
f, ax = plt.subplots(2, 3, figsize=(12, 8))
ax[0, 0].imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
ax[0, 0].set_title("original")
ax[0, 0].set_xticks([])
ax[0, 0].set_yticks([])


# 高斯模糊
for i in range(1, 6):

    # 高斯模糊
    image_blur = cv2.GaussianBlur(img, (15, 15), i)

    # 計算子圖
    ax[int(i/3), i % 3].imshow(cv2.cvtColor(image_blur, cv2.COLOR_BGR2RGB))

    # 標(biāo)題
    ax[int(i/3), i % 3].set_title("σ" + str(i))
    ax[int(i/3), i % 3].set_xticks([])
    ax[int(i/3), i % 3].set_yticks([])

# 展示圖片
plt.show()

輸出結(jié)果:

在這里插入圖片描述

高斯差分金字塔

DoG (Difference of Gaussian) 即高斯差分金字塔, 是在高斯金字塔的基礎(chǔ)上構(gòu)建起來的. 通過對高斯金字塔逐層相減, 得到 t-1 的高斯差分金字塔:

在這里插入圖片描述

計算極值點

DoG 空間極值檢測: 將每個像素點和同一層周圍的 8 個像素點以及上下兩層的 18 個像素點, 共 26 個像素點進行比較. 如果一像素點大于或小于鄰近的 26 個像素點的時候, 就成為了極值點.

在這里插入圖片描述

SIFT 算法

SIFT (Scale Invariant Feature Transform), 即尺度不變特征變換匹配算法. SIFT 算法對于旋轉(zhuǎn)和尺度具有不變性.

函數(shù)

實例化 SHIFT 算法:

cv2.SIFT_create()

獲取特征點:

sift.detect(img_gray, None)

繪制特征點:

cv2.drawKeypoints(image, keypoints, outImage, color=None, flags=None)
  • image: 輸入圖像
  • keypoints: 特征點
  • outImage: 輸出圖像

將特征點轉(zhuǎn)換為128 維的向量:

sift.compute(img, kp)

實戰(zhàn)

例子:

import numpy as np
import cv2

# 讀取圖片
img = cv2.imread("face.jpg")
key_points = img.copy()

# 實例化SIFT算法
sift = cv2.SIFT_create()

# 得到特征點
kp = sift.detect(img, None)
print(np.array(kp).shape)

# 繪制特征點
cv2.drawKeypoints(img, kp, key_points)

# 圖片展示
cv2.imshow("key points", key_points)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 保存圖片
cv2.imwrite("key_points.jpg", key_points)

# 計算特征
kp, des = sift.compute(img, kp)

# 調(diào)試輸出
print(des.shape)
print(des[0])

輸出結(jié)果:

(2183,)
(2183, 128)
[ 9. 18. 1. 0. 0. 0. 10. 8. 11. 18. 7. 34. 37. 14.
31. 11. 15. 6. 33. 50. 26. 9. 8. 10. 2. 1. 77. 94.
72. 17. 2. 5. 20. 44. 4. 1. 0. 0. 0. 0. 37. 63.
34. 128. 53. 4. 1. 1. 144. 11. 8. 56. 45. 25. 9. 63.
20. 1. 5. 22. 144. 144. 8. 18. 16. 3. 0. 0. 0. 0.
0. 2. 49. 7. 2. 17. 80. 35. 0. 9. 144. 39. 1. 5.
44. 19. 1. 12. 47. 9. 0. 0. 144. 126. 1. 2. 8. 0.
0. 0. 0. 0. 0. 1. 34. 2. 0. 0. 60. 25. 0. 5.
144. 38. 0. 0. 39. 14. 0. 2. 61. 13. 0. 0. 144. 50.
0. 0.]

在這里插入圖片描述

在這里插入圖片描述

到此這篇關(guān)于OpenCV半小時掌握基本操作之SIFT算法的文章就介紹到這了,更多相關(guān)OpenCV SIFT內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

相關(guān)文章

最新評論