图像特征检测笔记（特征检测基本概念，Harris，Shi-Tomasi，SIFT，SURF，ORB，暴力特征匹配，FLANN特征匹配））

阅读量：

文章目录

前言
一、特征检测基本概念
二、哈里斯角点检测（Harris）
- 1.Harris角点基本原理
- 2.Harris角点检测API
- 3.Harris角点检测代码实例：
三、Shi-Tomasi角点检测（Shi-Tomasi）
- 1.Shi-Tomasi角点基本原理
- 2.Shi-Tomasi角点检测API
- 3.Shi-Tomasi角点检测代码实例：
四、SIFT关键点检测（scale-invariant feature transform）
- 1.SIFT出现的原因
- 2.使用SIFT的步骤
- 3.SIFT检测代码实例：
五、计算SIFT描述子（scale-invariant feature transform）
- 1.关键点和描述子
- 2.计算描述子
- 3.计算SIFT描述子代码实例：
六、SURF特征检测（speeded-up robust features）
- 1.SURF的优点
- 2.使用SURF的步骤
- 3.SURF代码实例：
七、ORB特征检测（oriented fast and rotated brief）
- 1.ORB优势
- 2.使用ORB的步骤
- 3.ORB代码实例：
八、暴力特征匹配
- 1.特征匹配方法
- 2.暴力特征匹配原理
- 3.OpenCV特征匹配步骤
- 4.暴力特征匹配代码实例：
八、FLANN特征匹配
- 1.FLANN优缺点
- 3.FLANN特征匹配步骤
- 4.暴力特征匹配代码实例：
总结

前言

基于Python与OpenCV的图像特征匹配学习笔记，供大家参考

一、特征检测基本概念

特征中最重要的是角点，主要包括：
1.灰度梯度的最大值对应的像素
2.两条线的交点
3.极值点（一阶导最大值，二阶导等于0）

二、哈里斯角点检测（Harris）

1.Harris角点基本原理

在这里插入图片描述
光滑地区，无论向哪里移动，衡量系数不变；
边缘地区，垂直边缘移动，衡量系数变化剧烈；
在交点处，无论往哪个方向移动，衡量系统都变化剧烈。

2.Harris角点检测API

复制代码

    cornerHarris(img,blockSize,ksize,k)

img：输入图片
blockSize：窗口大小，窗口越大，敏感度越高
ksize：Solel卷积核
k：权重系数，经验值，一般0.02-0.04之间

3.Harris角点检测代码实例：

复制代码

    import cv2
    
    blockSize = 2
    ksize = 3
    k = 0.04
    
    img = cv2.imread('map1.png')
    # 灰度化
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # Harris角点检测
    dst = cv2.cornerHarris(gray, blockSize, ksize, k)
    # 检测结果展示，红色
    img[dst > 0.01 *dst.max()] = [0,0,255]
    
    cv2.imshow('harris', img)
    cv2.waitKey(0)

三、Shi-Tomasi角点检测（Shi-Tomasi）

1.Shi-Tomasi角点基本原理

Shi-Tomasi是Harris角点检测的改进，不需要设置K值
Harris角点检测的稳定性与K值有关，而K是经验值，不好设定最佳值

2.Shi-Tomasi角点检测API

复制代码

    goodFeaturesToTrack(img,maxCorners,...)

img：输入图片
maxCorners：角点的最大数，值为0表示无限制
qualityLevel：小于1.0的正数，一般在0.01-0.1之间
minDistance：角之间最小欧式距离，忽略小于此距离的点
mask：感兴趣的区域
blockSize：窗口大小，窗口越大，敏感度越高
useHarrisDetector:是否使用Harris算法，默认false
k：默认0.04之间

3.Shi-Tomasi角点检测代码实例：

复制代码

    import cv2
    import numpy as np
    
    maxCorners = 1000
    ql = 0.01
    minDistance = 10
    
    img = cv2.imread('map1.png')
    
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    corners = cv2.goodFeaturesToTrack(gray, maxCorners, ql, minDistance)
    corners = np.int0(corners)
    
    for i in corners:
    x, y = i.ravel()
    cv2.circle(img, (x,y), 3, (255,0,0), -1)
    
    cv2.imshow('harris', img)
    cv2.waitKey(0)

四、SIFT关键点检测（scale-invariant feature transform）

1.SIFT出现的原因

Harris角点具有旋转不变的特性，但缩放后会影响角点检测。
在这里插入图片描述

2.使用SIFT的步骤

1.创建对象
2.进行检测，kp = sift.detect（img,…）
3.绘制关键点，drawKeypoints（gray，kp，）

复制代码

    goodFeaturesToTrack(img,maxCorners,...)

3.SIFT检测代码实例：

复制代码

    import cv2
    
    # 读文件
    img = cv2.imread('map1.png')
    
    # 灰度化
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 创建sift对象
    sift = cv2.xfeatures2d.SIFT_create()
    
    # 进行检测,None对整张图进行检测
    kp = sift.detect(gray, None)
    
    # 绘制keypoints(特征点）
    cv2.drawKeypoints(gray, kp, img)
    
    cv2.imshow('img', img)
    cv2.waitKey(0)

五、计算SIFT描述子（scale-invariant feature transform）

1.关键点和描述子

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、关照变换等影响

2.计算描述子

复制代码

    kp,des = sift.compute(img, kp)

其作用是进行特征匹配，分开计算关键点和描述子比较麻烦，下面方法可以同时计算关键点和描述子：

复制代码

    kp,des = sift.detectAndCompute(img,...)

img：输入图片
mask：感兴趣的区域

3.计算SIFT描述子代码实例：

复制代码

    import cv2
    
    # 读文件
    img = cv2.imread('map1.png')
    
    # 灰度化
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 创建sift对象
    sift = cv2.xfeatures2d.SIFT_create()
    
    # 进行检测,None对整张图进行检测
    kp, des = sift.detectAndCompute(gray, None)
    # 打印查看描述子
    print(des[0])
    
    # 绘制keypoints(特征点）
    cv2.drawKeypoints(gray, kp, img)
    
    cv2.imshow('img', img)
    cv2.waitKey(0)

六、SURF特征检测（speeded-up robust features）

1.SURF的优点

SIFT最大的问题是速度慢，因此才有SURF

2.使用SURF的步骤

复制代码

    surf = cv2.xfeatures2d.SURF_create()
    kp,des = surf.detectAndCompute(img,...)

img：输入图片
mask：感兴趣的区域

3.SURF代码实例：

复制代码

    import cv2
    
    # 读文件
    img = cv2.imread('map1.png')
    
    # 灰度化
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 创建surf对象
    surf = cv2.xfeatures2d.SURF_create()
    
    # 使用surf进行检测
    kp, des = surf.detectAndCompute(gray, None)
    
    # 绘制keypoints(特征点）
    cv2.drawKeypoints(gray, kp, img)
    
    cv2.imshow('img', img)
    cv2.waitKey(0)

七、ORB特征检测（oriented fast and rotated brief）

1.ORB优势

ORB可以做到实时检测
整个算法开源

2.使用ORB的步骤

复制代码

    orb = cv2.ORB_create()
    kp, des = orb.detectAndCompute(gray, mask)

img：输入图片
mask：感兴趣的区域

3.ORB代码实例：

复制代码

    import cv2
    
    # 读文件
    img = cv2.imread('map1.png')
    
    # 灰度化
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 创建ORB对象
    orb = cv2.ORB_create()
    
    # orb进行检测
    kp, des = orb.detectAndCompute(gray, None)
    
    # 绘制keypoints(特征点）
    cv2.drawKeypoints(gray, kp, img)
    
    cv2.imshow('img', img)
    cv2.waitKey(0)

八、暴力特征匹配

1.特征匹配方法

BF（brute-force）：暴力特征匹配方法
FLANN：最快近邻取特征匹配方法

2.暴力特征匹配原理

使用第一组中的每一个特征的描述字与第二组中的所有特征描述子进行匹配，计算它们之间的差距，然后将最接近的一个匹配返回。

3.OpenCV特征匹配步骤

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, …)

（1）BFMatcher参数：
normType：选择近似度算法，有好几种 NORM_L1, NORM_L2,HAMMING1
NORM_L1取描述子的绝对值进行加法运算；NORM_L2为欧氏距离；HAMMING通过判断二进制位
其中，NORM_L1与NORM_L2用于SIFT和SURF，HAMMING1专门用于ORB，默认使用NORM_L2
crosscheck：是否进行交叉匹配，默认为FALSE
（2）match参数：计算的描述
（3）drawMatches参数
搜索img1, kp1
匹配图img2, kp2
match（）方法返回的匹配结果

4.暴力特征匹配代码实例：

复制代码

    import cv2
    
    # 读文件
    # img = cv2.imread('chess.png')
    img1 = cv2.imread('opencv_search.png')
    img2 = cv2.imread('opencv_orig.png')
    
    # 灰度化
    # gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    g1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
    g2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
    
    # 创建sift对象
    sift = cv2.xfeatures2d.SIFT_create()
    
    # 创建surf对象
    # surf = cv2.xfeatures2d.SURF_create()
    
    # 创建ORB对象
    # orb = cv2.ORB_create()
    
    # 进行检测
    # kp, des = sift.detectAndCompute(gray, None)
    kp1, des1 = sift.detectAndCompute(g1, None)
    kp2, des2 = sift.detectAndCompute(g2, None)
    
    # 使用surf进行检测
    # kp, des = surf.detectAndCompute(gray, None)
    
    # orb进行检测
    # kp, des = orb.detectAndCompute(gray, None)
    
    # 绘制keypoints(特征点）
    # cv2.drawKeypoints(gray, kp, img)
    
    bf = cv2.BFMatcher(cv2.NORM_L1)
    match = bf.match(des1, des2)
    
    img3 = cv2.drawMatches(img1, kp1, img2, kp2, match, None)
    
    # cv2.imshow('img', img)
    cv2.imshow('img3', img3)
    
    cv2.waitKey(0)

八、FLANN特征匹配

1.FLANN优缺点

在进行批量特征匹配时,FLANN速度更快
由于它使用的是近邻近似值，所以精度较差

3.FLANN特征匹配步骤

创建匹配器，FlannBasedMatcher(…)
进行特征匹配，flann.match 或者knnMatch(…)
绘制匹配点，cv2.drawMatches/drawMatchesKnn(…)

（1）FlannBasedMatcher参数：
index_params字典：
选择近似度算法，有好几种 NORM_L1, NORM_L2,HAMMING1
NORM_L1取描述子的绝对值进行加法运算；NORM_L2为欧氏距离；HAMMING通过判断二进制位
其中，NORM_L1与NORM_L2用于SIFT和SURF，HAMMING1专门用于ORB，默认使用NORM_L2
crosscheck：是否进行交叉匹配，默认为FALSE
（2）match参数：计算的描述
（3）drawMatches参数
搜索img1, kp1
匹配图img2, kp2
match（）方法返回的匹配结果

4.暴力特征匹配代码实例：

复制代码

    import cv2
    import numpy as np
    
    #打开两个文件
    img1 = cv2.imread('opencv_search.png')
    img2 = cv2.imread('opencv_orig.png')
    
    #灰度化
    g1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
    g2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
    
    #他建SIFT特征检测器
    sift = cv2.xfeatures2d.SIFT_create()
    
    #计算描述子与特征点
    kp1, des1 = sift.detectAndCompute(g1, None)
    kp2, des2 = sift.detectAndCompute(g2, None)
    
    #创建匹配器
    index_params = dict(algorithm = 1, trees = 5)
    search_params = dict(checks = 50)
    flann = cv2.FlannBasedMatcher(index_params, search_params)
    
    #对描述子进行匹配计算
    matchs = flann.knnMatch(des1, des2, k=2)
    
    good = []
    for i, (m, n) in enumerate(matchs):
    if m.distance < 0.7 * n.distance:
        good.append(m)
    
    
    if len(good) >= 4:
    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)
    
    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)
    dst = cv2.perspectiveTransform(pts, H)
    
    cv2.polylines(img2, [np.int32(dst)], True, (0, 0, 255))
    else:
    print('the number of good is less than 4.')
    exit()
    
    
    
    ret = cv2.drawMatchesKnn(img1, kp1, img2, kp2, [good], None)
    cv2.imshow('result', ret)
    cv2.waitKey()

总结

以上是我在学习图像典型特征的一些笔记，希望能给大家带来帮助，有任何问题欢迎大家私信我进行讨论。

全部评论 (0)

还没有任何评论哟~

图像特征检测笔记（特征检测基本概念，Harris，Shi-Tomasi，SIFT，SURF，ORB，暴力特征匹配，FLANN特征匹配））

文章目录前言一、特征检测基本概念二、哈里斯角点检测（Harris） 1.Harris角点基本原理 2.Harris角点检测API 3.Harris角点检测代码实例：三、ShiTomasi角点检...

Harris角点检测、Sift图像特征匹配、地理特征匹配

Harris角点检测、Sift图像特征匹配、地理特征匹配 Harris角点检测什么是角点角点检测算法基本思想角点检测算法基本原理 Harris角点检测代码原图及Harris角点检测图结果分析...

Harris角点检测、SIFT特征匹配、地理特征匹配

目录 1、Harris角点检测 1.1角点 1.2Harris角点检测的基本思想 1.3Harris角点检测算法的数学表达 1.4Harris角点计算流程 1.5代码 2、SIFT（尺度不变特征变换）...

OpenCV图像特征提取与检测C++(五)特征描述子--Brute-Force匹配、FLANN特征匹配、平面对象识别、AKAZE局部特征检测与匹配、BRISK特征检测与匹配、ORB特征提检测与匹配

特征描述子即图像中每个像素位置的描述，通过此描述去匹配另一张图像是否含有相同特征。暴力匹配：BruteForce 图像匹配本质上是特征匹配。因为我们总可以将图像表示成多个特征向量的组成，因此如果两...

opencv图像特征检测及匹配（harris，sift，surf，fast，breif，orb，BFmatch，FlannBasedMatcher）

本文简单概括各种算法的提出背景及opencv实现，对具体原理不做讨论一般而言，一个物体的角点最能够代表物体的特征，所以所谓的特征检测又叫角点（Corner）检测 harris是最早提出的特征提取算法...

opencv_python Stitcher拼接图像实例（SIFT/SURF检测特征点，BF/FLANN匹配特征点）

opencvpythonStitcher拼接图像实例（SIFT/SURF检测特征点，BF/FLANN匹配特征点） SIFI/SURF检测特征点，BF/FLANN匹配特征点，stitch缝接图片，并进行...

OpenCV-图像特征harris角点检测/SIFT函数/特征匹配-05

图像特征harris角点检测基本原理 R0角点 R≈0平坦区域 R<0边界总结一下Harris算法流程获取点数据后,计算Ix和Iy 整合矩阵,求特征值比较特征值大小非极大值抑制NMS,过滤掉...

Harris特征匹配和SIFT特征匹配处理

1、比较Harris角点和SIFT特征的不同对一幅图像提取SIFT特征，可以看到，两个算法所选择的特征点的位置不同。 2、Harris特征匹配 Harris角点检测器可以给出图像中检测到兴趣点，但它...

计算机视觉项目实战-图像特征检测harris、sift、特征匹配_图像特征背景检测

第一个图就是使用常数的一个窗口，没有什么变化，对于33的九个点都平等对待。但是对于高斯加权函数来说，他是一个越靠近中心点的权重就越大的一个函数。就类似于这样。而我们一般都使用高斯加权函数。

基于OpenCv的图像SIFT特征点检测和特征匹配

⚠申明：未经许可，禁止以任何形式转载，若要引用，请标注链接地址。全文共计3077字，阅读大概需要3分钟 🌈更多学习内容，欢迎👏关注👀【文末】我的个人微信公众号：不懂开发的程序猿个人网站：<ht...

是否确定退出登录?

图像特征检测笔记（特征检测基本概念，Harris，Shi-Tomasi，SIFT，SURF，ORB，暴力特征匹配，FLANN特征匹配））

文章目录

前言

一、特征检测基本概念

二、哈里斯角点检测（Harris）

1.Harris角点基本原理

2.Harris角点检测API

3.Harris角点检测代码实例：

三、Shi-Tomasi角点检测（Shi-Tomasi）

1.Shi-Tomasi角点基本原理

2.Shi-Tomasi角点检测API

3.Shi-Tomasi角点检测代码实例：

四、SIFT关键点检测（scale-invariant feature transform）

1.SIFT出现的原因

2.使用SIFT的步骤

3.SIFT检测代码实例：

五、计算SIFT描述子（scale-invariant feature transform）

1.关键点和描述子

2.计算描述子

3.计算SIFT描述子代码实例：

六、SURF特征检测（speeded-up robust features）

1.SURF的优点

2.使用SURF的步骤

3.SURF代码实例：

七、ORB特征检测（oriented fast and rotated brief）

1.ORB优势

2.使用ORB的步骤

3.ORB代码实例：

八、暴力特征匹配

1.特征匹配方法

2.暴力特征匹配原理

3.OpenCV特征匹配步骤

4.暴力特征匹配代码实例：

八、FLANN特征匹配

1.FLANN优缺点

3.FLANN特征匹配步骤

4.暴力特征匹配代码实例：

总结

全部评论 (0)

相关文章推荐

图像特征检测笔记（特征检测基本概念，Harris，Shi-Tomasi，SIFT，SURF，ORB，暴力特征匹配，FLANN特征匹配））

Harris角点检测、Sift图像特征匹配、地理特征匹配

Harris角点检测、SIFT特征匹配、地理特征匹配

OpenCV图像特征提取与检测C++(五)特征描述子--Brute-Force匹配、FLANN特征匹配、平面对象识别、AKAZE局部特征检测与匹配、BRISK特征检测与匹配、ORB特征提检测与匹配

opencv图像特征检测及匹配（harris，sift，surf，fast，breif，orb，BFmatch，FlannBasedMatcher）

opencv_python Stitcher拼接图像实例（SIFT/SURF检测特征点，BF/FLANN匹配特征点）

OpenCV-图像特征harris角点检测/SIFT函数/特征匹配-05

Harris特征匹配和SIFT特征匹配处理

计算机视觉项目实战-图像特征检测harris、sift、特征匹配_图像 特征 背景检测

基于OpenCv的图像SIFT特征点检测和特征匹配

计算机视觉项目实战-图像特征检测harris、sift、特征匹配_图像特征背景检测