Python OpenCV學(xué)習(xí)之特征點檢測與匹配詳解
背景
提取圖像的特征點是圖像領(lǐng)域中的關(guān)鍵任務(wù)，不管在傳統(tǒng)還是在深度學(xué)習(xí)的領(lǐng)域中，特征代表著圖像的信息，對于分類、檢測任務(wù)都是至關(guān)重要的；
特征點應(yīng)用的一些場景：
圖像搜索：以圖搜圖（電商、教育領(lǐng)域）
圖像拼接：全景拍攝（關(guān)聯(lián)圖像拼接）
拼圖游戲：游戲領(lǐng)域
一、Harris角點
哈里斯角點檢測主要有以下三種情況：
- 光滑區(qū)域：無論向哪個方向移動，衡量系數(shù)不變；
- 邊緣區(qū)域：垂直邊緣移動時，衡量系數(shù)變化強烈；
- 角點區(qū)域：不管往哪個方向移動，衡量系數(shù)變化強烈；
函數(shù)原型：
cornerHarris（img，blockSize，ksize，k）
blockSize：檢測窗口大??；
k：權(quán)重系數(shù)，一般取0.02~0.04之間；
代碼案例：
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)
二、Shi-Tomasi角點檢測
說明：是Harris角點檢測的改進(jìn)，在Harris中需要知道k這個經(jīng)驗值，而在Shi-Tomasi不需要；
函數(shù)原型：
goodFeaturesToTrack（img，…）
maxCorners：角點的最大數(shù)量，值為0表示所有；
qualityLevel：角點的質(zhì)量，一般在0.01~0.1之間（低于的過濾掉）；
minDistance：角點之間最小歐式距離，忽略小于此距離的點；
mask：感興趣區(qū)域；
useHarrisDetector：是否使用Harris算法（默認(rèn)為false）
代碼案例：
img = cv2.imread('chess.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
dst = cv2.goodFeaturesToTrack(gray, 1000, 0.01, 10)
dst = np.int0(dst) ? ? ? ? ? ?# 實際上也是np.int64
for i in dst:
? ? x, y = i.ravel() ? ? ? ? # 數(shù)組降維成一維數(shù)組（inplace的方式）
? ? cv2.circle(img, (x, y), 3, (0, 0, 255), -1)
cv2.imshow('harris', img)
cv2.waitKey(0)
本質(zhì)上和Harris角點檢測相同，效果會好一些，角點數(shù)量會多一些；
三、SIFT關(guān)鍵點
中文簡譯：與縮放無關(guān)的特征轉(zhuǎn)換；
說明：Harris角點檢測具有旋轉(zhuǎn)不變性，也就是旋轉(zhuǎn)圖像并不會影響檢測效果；但其并不具備縮放不變性，縮放大小會影響角點檢測的效果；SIFT具備縮放不變性的性質(zhì)；
實現(xiàn)步驟：
創(chuàng)建SIFT對象 —— 進(jìn)行檢測（sift.detect） —— 繪制關(guān)鍵點（drawKeypoints）
代碼案例：
img = cv2.imread('chess.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
sift = cv2.xfeatures2d.SIFT_create()
kp = sift.detect(gray, None) ? ? ?# 第二個參數(shù)為mask區(qū)域
cv2.drawKeypoints(gray, kp, img)
cv2.imshow('sift', img)
cv2.waitKey(0)
四、SIFT描述子
首先需要說明，關(guān)鍵點和描述子是兩個概念；
關(guān)鍵點：位置、大小和方向；
關(guān)鍵點描述子：記錄了關(guān)鍵點周圍對其有貢獻(xiàn)的像素點的一組向量值，其不受仿射變換，光照變換等影響；描述子的作用就是用于特征匹配；
同時計算關(guān)鍵點和描述子的函數(shù)（主要使用）：
detectAndCompute（img，…）
代碼案例：
img = cv2.imread('chess.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
sift = cv2.xfeatures2d.SIFT_create()
kp, dst = sift.detectAndCompute(gray, None) ? ? ?# 第二個參數(shù)為mask區(qū)域得到的dst即為描述子的信息；
五、SURF
中譯：加速的魯棒性特征檢測；
說明：SIFT最大的缺點是速度慢，因此才會有SURF（速度快）；
實現(xiàn)步驟與SIFT一致，代碼如下：
surf = cv2.xfeatures2d.SURF_create() kp, dst = surf.detectAndCompute(gray, None) # 第二個參數(shù)為mask區(qū)域 cv2.drawKeypoints(gray, kp, img)
由于安裝的opencv-contrib版本過高（有版權(quán)問題），已經(jīng)不支持該功能了，在此就不作展示了；
六、ORB
說明：最大的優(yōu)勢就是做到實時檢測，缺點就是缺失了很多信息（準(zhǔn)確性下降）；
主要是兩個技術(shù)的結(jié)合：FAST（特征點實時檢測）+ BRIEE（快速描述子建立，降低特征匹配時間）
使用步驟與之前的SIFT一致，代碼如下：
img = cv2.imread('chess.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
orb = cv2.ORB_create()
kp, dst = orb.detectAndCompute(gray, None) ? ? ?# 第二個參數(shù)為mask區(qū)域
cv2.drawKeypoints(gray, kp, img)
cv2.imshow('orb', img)
cv2.waitKey(0)
可以看出，相比于SIFT以及SURF關(guān)鍵點變少了，但是其速度有了很大提升；
七、暴力特征匹配（BF）
匹配原理：類似于窮舉匹配機(jī)制，使用第一組中每個特征的描述子與第二組中的進(jìn)行匹配，計算相似度，返回最接近的匹配項；
實現(xiàn)步驟：
創(chuàng)建匹配器：BFMatcher（normType，crossCheck）
進(jìn)行特征匹配：bf.match（des1，des2）
繪制匹配點：cv2.drawMatches（img1，kp1，img2，kp2）
代碼案例：
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) ? ? ?# 第二個參數(shù)為mask區(qū)域
kp2, dst2 = sift.detectAndCompute(g2, None) ? ? ?# 第二個參數(shù)為mask區(qū)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)
從上圖可看出，匹配的效果還是不錯的，只有一個特征點匹配錯誤；
八、FLANN特征匹配
優(yōu)點：在進(jìn)行批量特征匹配時，F(xiàn)LANN速度更快；
缺點：由于使用的時鄰近近似值，所有精度較差；
實現(xiàn)步驟與暴力匹配法一致，代碼如下：
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) ? ? ?# 第二個參數(shù)為mask區(qū)域
kp2, dst2 = sift.detectAndCompute(g2, None) ? ? ?# 第二個參數(shù)為mask區(qū)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)
上圖可以看出，匹配的特征點數(shù)量相比暴力匹配明顯變少了，但速度會快很多；
九、圖像查找
實現(xiàn)原理：特征匹配 + 單應(yīng)性矩陣；
單應(yīng)性矩陣原理介紹：
上圖中表示從兩個不同角度對原圖的拍攝，其中H為單應(yīng)性矩陣，可通過該矩陣將圖像進(jìn)行轉(zhuǎn)換；
下面使用兩個函數(shù)實現(xiàn)圖像查找的功能：
findHomography（）：獲得單應(yīng)性矩陣；
perspectivveTransform（）：仿射變換函數(shù)；
代碼實現(xiàn)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) ? ? ?# 第二個參數(shù)為mask區(qū)域
kp2, dst2 = sift.detectAndCompute(g2, None) ? ? ?# 第二個參數(shù)為mask區(qū)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:
?? ?# 獲得源和目標(biāo)點的數(shù)組
? ? 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)
? ??
? ? # 獲得單應(yīng)性矩陣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)
? ? # 進(jìn)行放射變換
? ? dst = cv2.perspectiveTransform(pts, H)
? ??
? ? # 繪制查找到的區(qū)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)
總結(jié)
本篇主要介紹了特征點檢測和匹配，其中重要的部分時SIFT算法以及FLANN算法；通過所學(xué)的知識，可以簡單實現(xiàn)一個圖像查找的功能，也就是找子圖的功能。甚至可以目標(biāo)識別的效果；當(dāng)然這里需要的是完全一致的，不同于深度學(xué)習(xí)中的目標(biāo)識別任務(wù)
以上就是Python OpenCV學(xué)習(xí)之特征點檢測與匹配詳解的詳細(xì)內(nèi)容，更多關(guān)于Python OpenCV特征點檢測與匹配的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
矩陣的行列式是僅與方陣相關(guān)的標(biāo)量,?這篇文章主要為大家詳細(xì)介紹了如何利用Python實現(xiàn)行列式的計算,感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下2023-11-11
這篇文章主要介紹了如何使用Python-VTK繪制線條，主要繪制直線和曲線，下面文章詳細(xì)實現(xiàn)過程需要的小伙伴可以參考一下2022-04-04
這篇文章主要給大家介紹了關(guān)于Python參數(shù)的傳遞的相關(guān)資料,在Python中傳遞參數(shù)指的是函數(shù)或方法中的參數(shù)傳輸方式,文中給出了詳細(xì)的代碼示例,需要的朋友可以參考下2023-09-09
詳解Python如何使用PyBuilder從零開始構(gòu)建項目
PyBuilder是一個用于構(gòu)建Python項目的工具,它提供了一種簡單而強大的方式來管理項目的依賴、運行測試、生成文檔等任務(wù),下面就跟隨小編一起來學(xué)習(xí)一下如何使用PyBuilder構(gòu)建項目吧2024-03-03
web.py在SAE中的Session問題解決方法（使用mysql存儲）
這篇文章主要介紹了web.py在SAE中的Session問題解決方法（使用mysql存儲）,本文直接給出實現(xiàn)代碼,代碼中包含詳細(xì)注釋,需要的朋友可以參考下2015-06-06
Python+?Flask實現(xiàn)Mock?Server詳情
這篇文章主要介紹了Python+?Flask實現(xiàn)Mock?Server詳情，文章圍繞主題展開詳細(xì)的內(nèi)容介紹，具有一定的參考價值，需要的小伙伴可以參考一下2022-09-09
這篇文章主要介紹了python爬蟲之線程池和進(jìn)程池功能與用法,結(jié)合實例形式分析了Python基于線程池與進(jìn)程池的爬蟲功能相關(guān)操作技巧與使用注意事項,需要的朋友可以參考下2018-08-08
Python3.5 Json與pickle實現(xiàn)數(shù)據(jù)序列化與反序列化操作示例
這篇文章主要介紹了Python3.5 Json與pickle實現(xiàn)數(shù)據(jù)序列化與反序列化操作,結(jié)合實例形式分析了Python3.5使用Json與pickle模塊實現(xiàn)json格式數(shù)據(jù)的序列化及反序列化操作相關(guān)步驟與注意事項,需要的朋友可以參考下2019-04-04
python利用 pytesseract快速識別提取圖片中的文字((圖片識別)
本文介紹了tesseract的python調(diào)用，也就是pytesseract庫，其中還有一些其他的內(nèi)容并沒有涉及，僅涉及到了圖片提取文字，如果你對其感興趣，可以深入探索一下，也希望能和我探討一下2022-11-11
用Python實現(xiàn)2024年春晚劉謙魔術(shù)
昨晚春晚上劉謙的兩個魔術(shù)表演都非常精彩,忍不住用編程去模擬一下這個過程,所以本文給大家用Python實現(xiàn)2024年春晚劉謙魔術(shù),文中通過代碼示例給大家介紹的非常詳細(xì),需要的朋友可以參考下2024-02-02