OpenCV:图像检索

OpenCV可以检测图像的主要特征,然后提取图像的特征,使其成为图像描述符。

这些图像特征,也就是图像描述符,可以作为图像搜索的数据库。

 

个人感觉就是,和「以图搜图」有点像。

 

OpenCV:图像检索_第1张图片

 

看了下面这个视频,或许你就能够明白了。

 

https://v.qq.com/x/page/y0880pe6kdc.html

 

也是一个很搞笑的片段...

 

 

/ 01 / 特征检测算法

这里简单介绍一下OpenCV常用的几种特征检测和提取算法。

 

Harris、FAST:用于检测角点的。

SIFT、SURF、BRIEF:用于检测斑点的。

ORBFAST算法和BRIEF算法的结合体。

 

检测和提取的工作做完了,就是特征匹配。

主要是「暴力匹配法」和「FLANN匹配法」。

提了好几次特征了,那么什么是图像的特征呢?

图像特征就是指有意义的图像区域,具有独特性或易于识别性,比如角点、斑点以及高密度区

角点可以通过OpenCV的cornerHarris来识别。

「SIFT」则是一种与图像比例无关的角点检测方法,尺度不变特征变换。

采用DoG和SIFT来检测关键点并提取关键点周围的特征。

「SURF」特征检测算法,则是采用Hessian算法检测关键点,使用SURF提取特征。

剩下的太难了,以后慢慢了解~

 

 

/ 02 / 图像检索

N匹配,近似最近邻的快速库。

原始图片如下,为微博的Logo。

OpenCV:图像检索_第2张图片

 

目标图片如下,包含新浪微博的名称。

 

OpenCV:图像检索_第3张图片

 

代码如下。

import cv2

good = []
# 原始图片
queryImage = cv2.imread('wb1.jpg', 0)
# 目标图片
trainingImage = cv2.imread('wb2.jpg', 0)

# 创建SIFT对象(特征检测器),并计算灰度图像(描述符)
sift = cv2.xfeatures2d.SIFT_create()
kp1, des1 = sift.detectAndCompute(queryImage, None)
kp2, des2 = sift.detectAndCompute(trainingImage, None)

# 设置FLANN匹配器参数
FLANN_INDEX_KDTREE = 0
indexParams = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
searchParams = dict(checks=50)

# FLANN匹配器
flann = cv2.FlannBasedMatcher(indexParams, searchParams)

# K-最近邻匹配
matches = flann.knnMatch(des1, des2, k=2)

# 绘制一个空白图片
matchesMask = [[0, 0] for i in range(len(matches))]

# 绘制图像
for i, (m, n) in enumerate(matches):
    if m.distance < 0.7*n.distance:
        matchesMask[i] = [1, 0]
        good.append(m)


# 图像参数
drawParams = dict(matchColor=(0, 255, 0),
                  singlePointColor=(255, 0, 0),
                  matchesMask=matchesMask,
                  flags=0)

# 最终结果
resultImage = cv2.drawMatchesKnn(queryImage, kp1, trainingImage, kp2, matches, None, **drawParams)

# 检测是否匹配
if len(good) > 10:
    print('It is a match!')

# 设置显示窗口
cv2.namedWindow('img', 0)
cv2.resizeWindow('img', 840, 480)
cv2.imshow('img', resultImage)
while True:
    if cv2.waitKey(0) & 0xff == ord('q'):
        break
cv2.destroyAllWindows()

 

输出下图。

OpenCV:图像检索_第4张图片

可以看到原始图片上的logo和目标图片上的logo匹配上了。

也就意味着,我们能够利用原始图片(微博logo)从一个包含目标图片的图片库里检索到目标图片(包含微博logo)。

以图搜图,这还是很相似的。

当然,我并不知道以图搜图到底是通过何种办法实现的。

毕竟弱鸡~

 

/ 03 / 总结

最开头放的视频是一部电影——疯狂的外星人。

你可能感兴趣的:(人工智能)