OpenCV图像处理——图像特征

总目录

图像处理总目录←点击这里

十六、图像特征

16.1、harris角点检测

基本原理

实现代码

cv2.cornerHarris(Img, blockSize, ksize, k)

• Img：输入图像，应该是灰度和float32类型
• blockSize：这是考虑边角检测的领域大小
• ksize：使用Sobel衍生物的孔径参数
• k：harris Corner检测器的自由参数

检测角点：红色部分为检测到的角点

import cv2 
import numpy as np

img = cv2.imread('test_1.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# gray = np.float32(gray)
dst = cv2.cornerHarris(gray, 2, 3, 0.04)

img[dst>0.01*dst.max()]=[0,0,255]
cv2.imshow('dst',img) 
cv2.waitKey(0) 
cv2.destroyAllWindows()

16.2、SIFT尺度不变特征转换

尺度不变特征转换 (SIFT, Scale Invariant Feature Transform)是图像处理领域中的一种局部特征描述算法

Sift特征匹配算法可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有很强的匹配能力

Sift特征匹配算法主要包括两个阶段，

• Sift特征的生成，即从多幅图像中提取对尺度缩放、旋转、亮度变化无关的特征向量
• Sift特征向量的匹配。

16.2.1、图像尺度空间

让机器能够对物体在不同尺度下有一个统一的认知，就需要考虑图像在不同的尺度下都存在的特点。

尺度空间的获取通常使用高斯模糊来实现

不同σ的高斯函数决定了对图像的平滑程度，越大的σ值对应的图像越模糊。

16.2.2、多分辨率金字塔

16.2.3、高斯差分金字塔（DOG）

16.2.4、DoG空间极值检测

为了寻找尺度空间的极值点，每个像素点要和其图像域（同一尺度空间）和尺度域（相邻的尺度空间）的所有相邻点进行比较，当其大于（或者小于）所有相邻点时，该点就是极值点。

如下图所示，中间的检测点要和其所在图像的3×3邻域8个像素点，以及其相邻的上下两层的3×3领域18个像素点，共26个像素点进行比较。

离散点，需要拟合来更加精确

关键点的精确定位

这些候选关键点是DOG空间的局部极值点，而且这些极值点均为离散的点，精确定位极值点的一种方法是，对尺度空间DoG函数进行曲线拟合，计算其极值点，从而实现关键点的精确定位。


消除边界响应

特征点的主方向

每个特征点可以得到三个信息(x,y,σ,θ)，

• 位置
• 尺度
• 方向。

具有多个方向的关键点可以被复制成多份，然后将方向值分别赋给复制后的特征点，一个特征点就产生了多个坐标、尺度相等，但是方向不同的特征点。

生成特征描述

在完成关键点的梯度计算后，使用直方图统计邻域内像素的梯度和方向。

为了保证特征矢量的旋转不变性，要以特征点为中心，在附近邻域内将坐标轴旋转θ角度，即将坐标轴旋转为特征点的主方向。

旋转之后的主方向为中心取8x8的窗口，求每个像素的梯度幅值和方向，箭头方向代表梯度方向，长度代表梯度幅值，然后利用高斯窗口对其进行加权运算，最后在每个4x4的小块上绘制8个方向的梯度直方图，计算每个梯度方向的累加值，即可形成一个种子点，即每个特征的由4个种子点组成，每个种子点有8个方向的向量信息。

论文中建议对每个关键点使用4x4共16个种子点来描述，这样一个关键点就会产生128维的SIFT特征向量。

论文中建议对每个关键点使用4x4共16个种子点来描述，这样一个关键点就会产生128维的SIFT特征向量。

16.2.5、opencv SIFT函数

import cv2
import numpy as np

img = cv2.imread('test_1.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

sift = cv2.SIFT_create()
kp = sift.detect(gray, None)


img = cv2.drawKeypoints(gray, kp, img)

cv2.imshow('drawKeypoints', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 计算特征
kp, des = sift.compute(gray, kp)
print (np.array(kp).shape)
print (des.shape)
print(des)

原图