opencv特征检测和匹配

opencv可以检测图像的主要特征,然后提取这些特征,使其成为图像描述符,利用这些图像描述符来搜索数据库里,进行图像的检测

1.特征检测算法

算法:

  • Harris:用于检测角点
  • SIFT:用于检测斑点
  • SURF:用于检测斑点
  • FAST:用于检测角点
  • BRIEF:用于检测斑点
  • ORB:代表带有方向的FAST算法与具有旋转不变性的BRIEF算法

方法:

  • 暴力匹配法
  • 基于FLANN的匹配法

2.cornerHarris角点检测

import cv2
import numpy as np


img = cv2.imread('E:\\opencv3\\charpter6\\chess_board.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)#为了使用cornerHarris函数,需要将棋盘图像转化为灰度个事
dst = cv2.cornerHarris(gray,4,21,0.04)#从灰度图像做处理,提取角点信息
#第二个参数:参数值越小,标记点的大小越小
#第三个参数:参数值只能在3-31之间,而且必须是奇数,表示敏感度,越小,敏感度越强,会把很多细节的东西也算成角点
#第三个参数:自由参数,取值参数为 [0,04,0.06]

img[dst>0.01*dst.max()] = [0,0,255]

while (True):
    cv2.imshow('result',img)
    if cv2.waitKey(5) & 0xff == ord('q'):
        break

cv2.destroyAllWindows()

opencv特征检测和匹配_第1张图片
dst>0.01*dst.max()这么多返回是满足条件的dst索引值,根据索引值来设置这个点的颜色,这里是设定一个阈值 当大于这个阈值分数的都可以判定为角点

3.DOG和SIFT进行特征提取与描述
cornerHarris函数可以很好的检测到角点,这与焦点的特性有关,即使图片旋转,也能检测到角点,但是如果图像压缩了或者增大了,那么cornerHarris检测的角点信息就可能遗漏,图像越小越有可能丢失掉角点信息

这使我们可以用一种与图像比例无关的角点检测方法:SIFT

该函数在图像尺度变化时依然能输出同样的结果,但是SIFT并不检测关键点,关键点是由DOG检测的,但是SIFT会通过一个特征向量来描述特征点周围的区域情况

DOG(Differen Of Gaussians)
DOG是对同一副图像使用不同的高斯滤波器所得到的结果,前面有提到过cv2.GaussianBlur()低通滤波的模糊处理效果,DOG技术可以有效地检测到边缘,做种结果是感兴趣的区域(关键点)

import cv2
import numpy as np

impath = 'E:\\opencv3\\charpter6\\chess_board.jpg'
img = cv2.imread(impath)
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

sift = cv2.xfeatures2d.SIFT_create()
keypoints,descriptor = sift.detectAndCompute(gray,None)
#返回的是关键点信息和描述符

img = cv2.drawKeypoints(image = img,
                        outImage = img,
                        keypoints = keypoints,
                        flags = cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS,
                        color = (51,163,236))

cv2.imshow('sift_keypoints',img)

while(True):
    if cv2.waitKey(5) & 0xff == ord('q'):
        break
    
cv2.destroyAllWindows()

opencv特征检测和匹配_第2张图片

sift = cv2.xfeatures2d.SIFT_create()
keypoints,descriptor = sift.detectAndCompute(gray,None)

这里创建了一个SIFT对象,SIFT对象会使用DOG检测关键点,并对灰度图像进行计算,计算每个关键点周围的区域特征向量,总的来说就是进行两个主要的操作:检测,计算。

这里得到的keypoints
opencv特征检测和匹配_第3张图片
一共有840个特征点,每个特征点有六个属性:
**pt:**表示图像中关键点的x,y坐标
keypoints[3].pt
Out[3]: (9.074405670166016, 35.200592041015625)

**size:**表示特征的直径
keypoints[3].size
Out[4]: 5.260268211364746

**angle:**表示特征的方向
keypoints[3].angle
Out[5]: 0.021240234375

**response:**表示关键点的强度,有的特征会比其他特征好一些,response可以查看评估特征强度
keypoints[10].response
Out[7]: 0.053790051490068436

**octave:**表示所在金字塔的层级
keypoints[10].octave
Out[8]: 9372159

**class_id:**表示关键点的id
keypoints[10].class_id
Out[10]: -1

这里的descriptor
表示计算的特征点周围的特征向量

descriptor
Out[11]:
array([[ 1., 1., 12., …, 0., 0., 1.],
[ 0., 0., 0., …, 2., 1., 5.],
[ 0., 0., 0., …, 0., 0., 7.],
…,
[ 2., 0., 0., …, 67., 19., 38.],
[20., 0., 0., …, 0., 0., 0.],
[20., 2., 0., …, 0., 0., 0.]], dtype=float32)
这是一个(840,128)的矩阵,每个特征点都用一个128维的特征向量表示

画图时用的:

cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS

表示画图时每个关键点都绘制圆圈和方向

4.Hessian算法和SURF进行特征的提取和检测

SURF特征检测算法比SIFT算法快好几倍,它吸收了SIFT算法的思想

SURF与SIFT原理类似:
SUFT采用Hessian算法检测关键点,用SURF提取特征;
SIFT采用DOG算法检测关键点,用SIFT提取特征。

import cv2
import numpy as np

impath = 'E:\\opencv3\\charpter6\\chess_board.jpg'
img = cv2.imread(impath)
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

threshold = 8000 #阈值,阈值越小特征点越多

surt = cv2.xfeatures2d.SURF_create(float(threshold))
keypoints,descriptor = surt.detectAndCompute(gray,None)
#返回的是关键点信息和描述符

img = cv2.drawKeypoints(image = img,
                        outImage = img,
                        keypoints = keypoints,
                        flags = 4,
                        color = (51,163,236))

cv2.imshow('surf_keypoints',img)

while(True):
    if cv2.waitKey(5) & 0xff == ord('q'):
        break
    
cv2.destroyAllWindows()
                        

SURF跟SIFT比较就是多了一个阈值,这个值越高,能识别的特征就越少,可以用试探法来得到最优检测。
opencv特征检测和匹配_第4张图片
SIFT和SURF的比较:
参考文献1

5.FAST算法
FAST 全称 Features from accelerated segment test,一种用于角点检测的算法,该算法的原理是取图像中检测点,以该点为圆心的周围的16个像素点判断检测点是否为角点。通俗的讲就是中心的的像素值比大部分周围的像素值要亮一个阈值 或者 暗一个阈值则为角点。

opencv特征检测和匹配_第5张图片
对于检测点p,若周围的16个像素点中有N个连续的点的像素值都比其小一个阈值 或 大 一个阈值,则该点可作为角点。即img[x] < img[p] - threshold 或 img[x] > img[p] + threshold

6.BRIEF算法
BRIEF并不是检测算法,它只是一个描述符
SIFT和SURF的核心是detectAndCompute()函数,该函数包括两个步骤:检测和计算

关键点描述符是图像的一种表示,可以通过比较两个图片的关键点描述符,找出共同之处,因此描述符是现在作为特征匹配的一种方法

BRIEF是目前最快的描述符。

7.暴力匹配法(Brute-Force)
暴力匹配法是一种描述符匹配方法。原理是,比较两个描述符,产生匹配列表。暴力是指该算法不涉及优化,第一个描述符的所有特征都用来跟第二个描述符比较,每次比较算出一个距离值,距离值最小的被认为是匹配的。

综上所述

Harris,FAST都是用来检测角点的
SIFT(中的DOG),SURF(中的Hessian)是检测斑点的(关键点区域)
BRIEF也是检测斑点的。
ORB特征是基于FAST和BRIEF算法的,也是一种检测特征的算法

检测到了这些图像描述符,就需要进行一个匹配的操作,匹配的操作有:
暴力匹配法,FLANN匹配。
ORB特征匹配、K近邻特征匹配都是用暴力匹配法作为匹配器(BFMatcher )的

8.ORB特征匹配

ORB特征匹配可以得到的结果:

  • 给FAST增加一个快速的准确的方向分量
  • 能高效的计算带方向的BRIEF特征
  • 在旋转的方式下,还能使用BRIEF查询图像之间的匹配情况
import cv2
import numpy as np
import matplotlib.pyplot as plt

img1 = cv2.imread('chess_board.jpg',cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread('chess_min.jpg',cv2.IMREAD_GRAYSCALE)


orb = cv2.ORB_create()
kp1,des1 = orb.detectAndCompute(img1,None)
kp2,des2 = orb.detectAndCompute(img2,None)

bf = cv2.BFMatcher(cv2.NORM_HAMMING,crossCheck = True)
matches = bf.match(des1,des2)
matches = sorted(matches,key = lambda x:x.distance)

img3 = cv2.drawMatches(img1,kp1,img2,kp2,matches[:40],img2,flags = 2)


plt.imshow(img3)
plt.show()

plt.imsave('orb.jpg',img3)
img1 = cv2.imread('chess_board.jpg',cv2.IMREAD_GRAYSCALE)

imread()的第二个参数也可以用0代替,这里的参数还可以填其他的:
IMREAD_ANYCOLOR 4
IMREAD_ANYDEPTH 2
IMREAD_COLOR 1
IMREAD_GRAYSCALE 0
IMREAD_LOAD_GDAL 8
IMREAD_UNCHANGED -1

orb = cv2.ORB_create()
kp1,des1 = orb.detectAndCompute(img1,None)
kp2,des2 = orb.detectAndCompute(img2,None)

对查询的图像和训练图片都要进行检测,然后计算关键点和描述符
kp1有500个关键点,kp2有392个关键点
des1,des2分别是这些关键点的特征向量,直接暴力匹配,遍历描述符,在满足一定置信度下,显示前n个匹配的描述符。

bf = cv2.BFMatcher(cv2.NORM_HAMMING,crossCheck = True)
matches = bf.match(des1,des2)
matches = sorted(matches,key = lambda x:x.distance)

这是暴力匹配的过程

原始图片:
opencv特征检测和匹配_第6张图片
局部图片:
opencv特征检测和匹配_第7张图片
匹配图:
opencv特征检测和匹配_第8张图片
9.K-近邻匹配
KNN是一种匹配检测算法。

import numpy as np
import cv2
from matplotlib import pyplot as plt

img1 = cv2.imread('chess_min.jpg',cv2.IMREAD_GRAYSCALE)#查询图像
img2 = cv2.imread('chess_board.jpg',cv2.IMREAD_GRAYSCALE)#训练图像

#开始创建orb特征检测器和描述符
orb = cv2.ORB_create()
kp1,des1 = orb.detectAndCompute(img1,None)
kp2,des2 = orb.detectAndCompute(img2,None)

#使用默认参数的BFMatch()
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1,des2,k = 2)###knnMatch用knnMatch返回k个匹配

###drawMatchesKnn绘制匹配
img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,matches,img2,flags = 2)
#先填写查询图像,后填写训练图像

plt.imshow(img3)
plt.show()

plt.imsave('knn.jpg',img3)

cv2.BFMatcher创建一个 BF-Matcher 对象,它有两个可选参数。

第一个是用来指定要使用的距离测试类型,默认值为 cv2.Norm_L2。对于使用二进制描述符的 ORB,BRIEF,BRISK算法等,要使用 cv2.NORM_HAMMING,这样就会返回两个测试对象之间的汉明距离。如果 ORB 算法的参数设置为 V T A_K==3 或 4,normType就应该设置成 cv2.NORM_HAMMING2。

第二个参数是布尔变量 crossCheck,默认值为 False。如果设置为True,匹配条件就会更加严格,只有到 A 中的第 i 个特征点与 B 中的第 j 个特征点距离最近,并且 B 中的第 j 个特征点到 A 中的第 i 个特征点也是最近(A 中没有其他点到 j 的距离更近)时才会返回最佳匹配(i,j)。也就是这两个特征点要互相匹配才行。这样就能提供统一的结果。

BFMatcher 对象具有两个方法, BFMatcher.match()BFMatcher.knnMatch()。第一个方法会返回最佳匹配。第二个方法为每个关键点返回 k 个最佳匹配(降序排列之后取前 k 个),其中 k 是由用户设定的。
opencv特征检测和匹配_第9张图片

采用比率测试来过滤掉不满足用户定义条件的匹配:

# 应用比率测试(ratio test)
good = []
for m, n in matches:
    if m.distance < 0.75 * n.distance:
        good.append([m])
 
img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good, None, flags=2)

plt.imshow(img3)
plt.show()

plt.imsave('knn_ratio_test.jpg',img3)

opencv特征检测和匹配_第10张图片

np.shape(matches)
Out[8]: (500, 2)

matches有500个匹配,每个匹配匹配两个特征点

matches[0]
Out[12]: [, ]

cv2.DMatch是opencv中匹配函数(例如:knnMatch)返回的用于匹配关键点描述符的类,这个DMatch 对象具有下列属性:

• DMatch.distance - 描述符之间的距离。越小越好。
• DMatch.trainIdx - 目标图像中描述符的索引。
• DMatch.queryIdx - 查询图像中描述符的索引。
• DMatch.imgIdx - 目标图像的索引。

if m.distance < 0.75 * n.distance
这里的参数越小,匹配越严格,匹配对数越少

matches[0][0].distance
Out[13]: 379.7446594238281

matches[0][1].distance
Out[14]: 398.87591552734375

这里good:
[[],
[],
[],
[],
[],
[],
[],
[],
[],
[],
[],
[],
[],
[],
[],
[],
[]]

如果要访问queryIdx,trainIdx,imgIdx

good[4][0].queryIdx
Out[69]: 146
matches[0][0].queryIdx
Out[72]: 0

一定要保证访问属性的是DMatch而不是[DMatch]

opencv特征检测和匹配_第11张图片

10.FLANN匹配
FLANN比其他的最近邻搜索软件快10倍,基于FLANN的匹配非常准确,快速方便。

import numpy as np
import cv2
from matplotlib import pyplot as plt

queryImage = cv2.imread('chess_min.jpg',0)#查询图像
trainingImage = cv2.imread('chess_board.jpg',0)#训练图像

#创建一个SIFT对象,检测并计算
sift = cv2.xfeatures2d.SIFT_create()
kp1,des1 = sift.detectAndCompute(queryImage,None)
kp2,des2 = sift.detectAndCompute(trainingImage,None)


#创建FLANN匹配器
FLANN_INDEX_KDTREE = 0
indexParams = dict(algorithm = FLANN_INDEX_KDTREE,tree = 5)
searchParams = dict(checks = 50)#指定索引树被遍历多少次,次数越多,计算时间越长,越精确

flann = cv2.FlannBasedMatcher(indexParams,searchParams)
matches = flann.knnMatch(des1,des2,k = 2)

#准备一个空的mask画good匹配
matchesMask = [[0,0] for i in range(len(matches))]

for i,(m,n) in enumerate(matches):
    if m.distance < 0.7*n.distance:
        matchesMask[i] = [1,0]
        
drawParams = dict(matchColor = (0,255,0),
                  singlePointColor = (255,0,0),
                  matchesMask = matchesMask,
                  flags = 0)#设置匹配的颜色,特征点的颜色

resultImage = cv2.drawMatchesKnn(queryImage,kp1,trainingImage,kp2,matches,None,**drawParams)
#用指定的颜色上色,就不用彩色的那种了

plt.imshow(resultImage)
plt.show()

plt.imsave('flann.jpg',resultImage)

opencv特征检测和匹配_第12张图片

FLANN匹配器有两个参数:indexParams,searchParams,这两个参数在python中以字典形式进行参数传递,C++中以结构体形式进行参数传递。
indexParams:需要我们配置要使用的算法,这里用的是随机k-d树算法(The Randomized k-d TreeAlgorithm)(kd-trees可以指定待处理核密度树的数量,最理想的数量在1-16之间),当然也可以使用其他的算法,如:LinearIndex,KTreeIndex,KMeansIndex,CompositeIndex,AutotuneIndex。参考文献2
SearchParams:这是一个字典,它用来指定递归遍历的次数。值越高结果越准确,但是消耗的时间也越多。如果想修改这个值,可以传入参数。

这里5kd-trees和50checks能在合理的精度范围内,并且读时间完成

for m,n in matches:
    print(m)
    print(n)

得到的是












for i,(m,n) in enumerate(matches):
    print(i)
    print(m)
    print(n)

692


693


694


695


696


697


698


699

if m.distance < 0.7*n.distance

这里丢弃掉任何距离大于0.7的值,可以避免90%的错误匹配

cv2.drawMatches()与cv2.drawMatchesKnn()区别
cv2.drawMatches()使用的点对集是一维的,(N,)
cv2.drawMatchesKnn()使用的点对集是二维的,(N,2)或者(N,1)

#np.shape(good) is (646,)
#np.shape(matches) is (6202, 2)
cv2.drawMatches(queryImage,kp1,trainingImage,kp2,good,None,**draw_params)
cv2.drawMatchesKnn(img1, kp1, img2, kp2, matches, None, flags=2)

FLANN的单应性匹配
什么叫单应性:
单应性是一个条件,该条件表示,当两幅图像中有一副图像出现了投影几遍(变形了,不是正常的矩形了)时,他们还能匹配

import numpy as np
import cv2
from matplotlib import pyplot as plt

queryImage = cv2.imread('queryImage.jpg',0)#查询图像
trainingImage = cv2.imread('trainingImage.jpg',0)#训练图像

MIN_MATCH_COUNT = 10

#创建一个sift对象检测和计算特征点
sift = cv2.xfeatures2d.SIFT_create()
kp1,des1 = sift.detectAndCompute(queryImage,None)
kp2,des2 = sift.detectAndCompute(trainingImage,None)

#创建FLANN匹配器
FLANN_INDEX_KDTREE = 0
indexParams = dict(algorithm = FLANN_INDEX_KDTREE,tree = 5)
searchParams = dict(checks = 50)
#指定索引树被遍历多少次,次数越多,计算时间越长,越精确

flann = cv2.FlannBasedMatcher(indexParams,searchParams)
matches = flann.knnMatch(des1,des2,k = 2)

good = []
for m, n in matches:
    if m.distance < 0.7 * n.distance:
        good.append(m)
        
if len(good) > MIN_MATCH_COUNT:
    #如果好的匹配大于MIN_MATCH_COUNT个数的话
    #就在原始图像和训练图像中把这些匹配的关键点m找出来
    #获取关键点的坐标
    src_pts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1,1,2)
    dst_pts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1,1,2)
    #这里的m是[DMatch]是一个列表,所以要去列表

#    print('src_pts',src_pts)
#    print('dst_pts',dst_pts)
 
    #单应性 
    #计算变换矩阵和MASK,由关键点坐标匹配得到的变换矩阵  
    M,mask = cv2.findHomography(src_pts,dst_pts,cv2.RANSAC,5.0)
    matchesMask = mask.ravel().tolist()
    
    #对第二张图片计算相对于原始目标的投影畸变,绘制边框
    h,w = queryImage.shape
#    print(h,w)
    pts = np.float32([[0,0],[0,h-1],[w-1,h-1],[w-1,0]]).reshape(-1,1,2)
    dst = cv2.perspectiveTransform(pts,M)
    
    trainingImage = cv2.polylines(trainingImage,[np.int32(dst)],True,255,3,cv2.LINE_AA)

else:
    print('Not enough matches are found - %d/%d' %(len(good),MIN_MATCH_COUNT))
    matchesMask = None
    
draw_params = dict(matchColor = (0,255,0),#匹配线画成绿色
                  singlePointColor = None,
                  matchesMask = matchesMask,
                  flags = 2)#只画线不画匹配点,这里颜色用的RGB标准

resultImage = cv2.drawMatches(queryImage,kp1,trainingImage,kp2,good,None,**draw_params)
#只画好的匹配,good,这里用drawMatches而不是drawMatchesKnn,因为这里是good而不是matches
#np.shape(good) is (646,)
#np.shape(matches) is (6202, 2)

plt.imshow(resultImage)
plt.show()

plt.imsave('flann_mask.jpg',resultImage)

综上所述

匹配方法有两种:暴力匹配法(Brute-Force)和FLANN法

实际代码中
暴力匹配法BFMatcher对象实现暴力匹配:

bf = cv2.BFMatcher(cv2.NORM_HAMMING,crossCheck = True)
matches = bf.match(des1,des2)
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1,des2,k = 2)###knnMatch用knnMatch返回k个匹配

FLANN算法FlannBasedMatcher实现:

flann = cv2.FlannBasedMatcher(indexParams,searchParams)
matches = flann.knnMatch(des1,des2,k = 2)

而在特征检测器方面

暴力匹配多用于orb特征的匹配中:

orb = cv2.ORB_create()
kp1,des1 = orb.detectAndCompute(img1,None)
kp2,des2 = orb.detectAndCompute(img2,None)

FLANN多用于SIFT特征的匹配中:

sift = cv2.xfeatures2d.SIFT_create()
kp1,des1 = sift.detectAndCompute(queryImage,None)
kp2,des2 = sift.detectAndCompute(trainingImage,None)

你可能感兴趣的:(计算机视觉)