11.4 Fast和ORB算法

Fast和ORB算法

学习目标

  • 理解Fast算法角点检测的原理,能够完成角点检测

  • 理解ORB算法的原理,能够完成特征点检测


1 Fast算法

1.1 原理

我们前面已经介绍过几个特征检测器,它们的效果都很好,特别是SIFT和SURF算法,但是从实时处理的角度来看,效率还是太低了。为了解决这个问题,Edward Rosten和Tom Drummond在2006年提出了FAST算法,并在2010年对其进行了修正。

FAST (全称Features from accelerated segment test)是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邻域内像素点判断检测点是否为角点,通俗的讲就是若一个像素周围有一定数量的像素与该点像素值不同,则认为其为角点。

1.1.1 FAST算法的基本流程

  1.  

     11.4 Fast和ORB算法_第1张图片

1.1.2机器学习的角点检测器

 11.4 Fast和ORB算法_第2张图片

1.1.3 非极大值抑制

 11.4 Fast和ORB算法_第3张图片

1.2 实现

OpenCV中的FAST检测算法是用传统方法实现的,

1.实例化fast

fast = =cv.FastFeatureDetector_create( threshold, nonmaxSuppression)

参数:

  • threshold:阈值t,有默认值10

  • nonmaxSuppression:是否进行非极大值抑制,默认值True

返回:

  • Fast:创建的FastFeatureDetector对象

2.利用fast.detect检测关键点,没有对应的关键点描述

kp = fast.detect(grayImg, None)

参数:

  • gray: 进行关键点检测的图像,注意是灰度图像

返回:

  • kp: 关键点信息,包括位置,尺度,方向信息

3.将关键点检测结果绘制在图像上,与在sift中是一样的

cv.drawKeypoints(image, keypoints, outputimage, color, flags)

示例:

import numpy as np

import cv2 as cv

from matplotlib import pyplot as plt

# 1 读取图像

img = cv.imread('./image/tv.jpg')

# 2 Fast角点检测# 2.1 创建一个Fast对象,传入阈值,注意:可以处理彩色空间图像

fast = cv.FastFeatureDetector_create(threshold=30)



# 2.2 检测图像上的关键点

kp = fast.detect(img,None)

# 2.3 在图像上绘制关键点

img2 = cv.drawKeypoints(img, kp, None, color=(0,0,255))



# 2.4 输出默认参数

print( "Threshold: {}".format(fast.getThreshold()) )

print( "nonmaxSuppression:{}".format(fast.getNonmaxSuppression()) )

print( "neighborhood: {}".format(fast.getType()) )

print( "Total Keypoints with nonmaxSuppression: {}".format(len(kp)) )





# 2.5 关闭非极大值抑制

fast.setNonmaxSuppression(0)

kp = fast.detect(img,None)



print( "Total Keypoints without nonmaxSuppression: {}".format(len(kp)) )

# 2.6 绘制为进行非极大值抑制的结果

img3 = cv.drawKeypoints(img, kp, None, color=(0,0,255))



# 3 绘制图像

fig,axes=plt.subplots(nrows=1,ncols=2,figsize=(10,8),dpi=100)

axes[0].imshow(img2[:,:,::-1])

axes[0].set_title("加入非极大值抑制")

axes[1].imshow(img3[:,:,::-1])

axes[1].set_title("未加入非极大值抑制")

plt.show()

结果:

 

2 ORB 算法

2.1 原理

SIFT和SURF算法是受专利保护的,在使用他们时我们是要付费的,但是ORB(Oriented Fast and Rotated Brief)不需要,它可以用来对图像中的关键点快速创建特征向量,并用这些特征向量来识别图像中的对象。

2.1.1 ORB算法流程

 11.4 Fast和ORB算法_第4张图片

 11.4 Fast和ORB算法_第5张图片

2.1.2 BRIEF算法

BRIEF是一种特征描述子提取算法,并非特征点的提取算法,一种生成二值化描述子的算法,不提取代价低,匹配只需要使用简单的汉明距离(Hamming Distance)利用比特之间的异或操作就可以完成。因此,时间代价低,空间代价低,效果还挺好是最大的优点。

算法的步骤介绍如下:

  1. 图像滤波:原始图像中存在噪声时,会对结果产生影响,所以需要对图像进行滤波,去除部分噪声。

  2. 选取点对:以特征点为中心,取S*S的邻域窗口,在窗口内随机选取N组点对,一般N=128,256,512,默认是256,关于如何选取随机点对,提供了五种形式,结果如下图所示:

    • x,y方向平均分布采样

    • x,y均服从Gauss(0,S^2/25)各向同性采样

    • x服从Gauss(0,S^2/25),y服从Gauss(0,S^2/100)采样

    • x,y从网格中随机获取

    • x一直在(0,0),y从网格中随机选取

 11.4 Fast和ORB算法_第6张图片

图中一条线段的两个端点就是一组点对,其中第二种方法的结果比较好。

 11.4 Fast和ORB算法_第7张图片 11.4 Fast和ORB算法_第8张图片

2.2 实现

在OPenCV中实现ORB算法,使用的是:

1.实例化ORB

orb = cv.xfeatures2d.orb_create(nfeatures)

参数:

  • nfeatures: 特征点的最大数量

2.利用orb.detectAndCompute()检测关键点并计算

kp,des = orb.detectAndCompute(gray,None)

参数:

  • gray: 进行关键点检测的图像,注意是灰度图像

返回:

  • kp: 关键点信息,包括位置,尺度,方向信息

  • des: 关键点描述符,每个关键点BRIEF特征向量,二进制字符串,

3.将关键点检测结果绘制在图像上

cv.drawKeypoints(image, keypoints, outputimage, color, flags)

示例:

import numpy as np

import cv2 as cv

from matplotlib import pyplot as plt

# 1 图像读取

img = cv.imread('./image/tv.jpg')



# 2 ORB角点检测# 2.1 实例化ORB对象

orb = cv.ORB_create(nfeatures=500)

# 2.2 检测关键点,并计算特征描述符

kp,des = orb.detectAndCompute(img,None)



print(des.shape)



# 3 将关键点绘制在图像上

img2 = cv.drawKeypoints(img, kp, None, color=(0,0,255), flags=0)



# 4. 绘制图像

plt.fi11.4 Fast和ORB算法gure(figsize=(10,8),dpi=100)

plt.imshow(img2[:,:,::-1])

plt.xticks([]), plt.yticks([])

plt.show()

 


总结

  1. Fast算法

    原理:若一个像素周围有一定数量的像素与该点像素值不同,则认为其为角点

    API: cv.FastFeatureDetector_create()

  2. ORB算法

    原理:是FAST算法和BRIEF算法的结合

    API:cv.ORB_create()

 

 

你可能感兴趣的:(openCV,算法,python,计算机视觉,深度学习,opencv)