[自用代码]基于SIFT特征的SAR船只检测(python-opencv)

新版的OPENCV中SIFT特征被剔除了，需要安装老版本的opencv(如3.4.15.55等)
代码来源CSDN博客

和原版其区别：将作为匹配样本的船只切片放到’SAMPLE’文件夹内，进行检测模式时，会自动和文件夹内所有船只图片进行匹配。

参考图片：

待检测图片：

检测代码：

# 注：sift必须在3.4.15下运行，后面的有专利
 
import numpy as np
import cv2
from matplotlib import pyplot as plt
import os
 


def sift_dect(path1,path2,MIN_MATCH_COUNT = 4):
 
    img1 = cv2.imread(path1, 1)
    img2 = cv2.imread(path2, 1)
    
    exx = 0.8
    exy = 0.8
    
    img1 = cv2.resize(img1, dsize=None, fx=exx, fy=exy)
    img2 = cv2.resize(img2, dsize=None, fx=exx, fy=exy)
      
    # 使用SIFT检测角点,创建角点检测器
    sift = cv2.xfeatures2d.SIFT_create()
    
    # 获取关键点和描述符
    kp1, des1 = sift.detectAndCompute(img1, None)
    kp2, des2 = sift.detectAndCompute(img2, None)
        
    # 定义FLANN匹配器------KD树，具体原理尚不清楚，index_params中的algorithm为0或1
    index_params = dict(algorithm=1, trees=5)
    search_params = dict(checks=50)
    flann = cv2.FlannBasedMatcher(index_params, search_params)
    
    # 使用KNN算法匹配,FLANN里边就包含的KNN、KD树还有其他的最近邻算法
    matches = flann.knnMatch(des1, des2, k=2)
    # print(matches)
    # 去除错误匹配
    good = []
    for m, n in matches: #m为第一邻近，n为第二邻近，两者距离满足以下关系才认为是正确匹配
        if m.distance <= 0.7 * n.distance:
            good.append(m)
    
    # good保存的是正确的匹配
    # 单应性
    if len(good) > MIN_MATCH_COUNT:
        # 改变数组的表现形式，不改变数据内容，数据内容是每个关键点的坐标位置
        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)
        # findHomography 函数是计算变换矩阵
        # 参数cv2.RANSAC是使用RANSAC算法寻找一个最佳单应性矩阵H，即返回值M
        # 返回值：M 为变换矩阵，mask是掩模
        M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)

        if M is None: return None
        # ravel方法将数据降维处理，最后并转换成列表格式
        matchesMask = mask.ravel().tolist()
        # 获取img1的图像尺寸
        h, w, dim = img1.shape
        # pts是图像img1的四个顶点
        pts = np.float32([[0, 0], [0, h - 1], [w - 1, h - 1], [w - 1, 0]]).reshape(-1, 1, 2)
        # 计算变换后的四个顶点坐标位置
        dst = cv2.perspectiveTransform(pts, M)
    
        # 根据四个顶点坐标位置在img2图像画出变换后的边框
        img2 = cv2.polylines(img2, [np.int32(dst)], True, (0, 0, 255), 1, cv2.LINE_AA)

        return img2
    
    else:
        matchesMask = None

        return None
 
if __name__ == '__main__':

    flag = 'all'

    if flag == 'all':
        folder = 'SAMPLE'
        names = os.listdir(folder)
        path2s = ['000619.jpg','001159.jpg','Sen_ship_hh_0201610150202806.jpg']
        for path2 in path2s:
            for name in names:
                path1 = os.path.join(folder,name)
                img = sift_dect(path1,path2)
                if img is not None:
                    new_name = os.path.join('result',path2[:-4]+'_'+name[:-4]+'.jpg')
                    print(new_name)
                    cv2.imwrite(new_name,img)
    else:
        path1 = '..\dataset\VOCdevkit_SarShipDataset\VOC2007\JPEGImages\Gao_ship_hh_020160825440109064.jpg'
        path2 = '000619.jpg'

        img = sift_dect(path1,path2)

检测结果：