pythonopencv算法_python opencv之SURF算法示例

本文介绍了python opencv之SURF算法示例，分享给大家，具体如下：

目标：

SURF算法基础

opencv总SURF算法的使用

原理：

上节课使用了SIFT算法，当时这种算法效率不高，需要更快速的算法。在06年有人提出了SURF算法“加速稳定特征”，从名字上来看，他是SIFT算法的加速版本。

（原文）

在SIFT算法当中使用高斯差分方程（Difference of Gaussian）对高斯拉普拉斯方程( Laplacian of Gaussian）进行近似。然而，SURF使用盒子滤波器进行近似，下面的图片显示了这种近似的方法。在进行卷积计算的时候可以利用积分图像，这是使用盒子形滤波器的一个优点，即计算某个窗口中的像素和的时候，计算量大小，也就是时间复杂度不受到窗口大小的影响。而且，这种运算可以在不用的尺度空间当中实现。

SURF算法计算关键点的尺度和位置信息使用Hessian矩阵实现。

（解释）

文中的高斯拉普拉斯方程（算子）是检测图像中斑点的一种十分常用的方法。以一维高斯函数来检测一维信号中的斑点为例。有一维信号f，高斯函数的一阶导数ddxg" role="presentation">ddxg，信号与高斯函数的一阶导数卷积后，会在边缘处出现极值。如图：

上面图片是在一维情况下，使用高斯函数的一阶导数的情况，另一种方法是使用高斯函数的二阶导数与信号进行卷积，高斯函数的二阶导数也叫做拉普拉斯变换。

但是，在一维信号斑点检测的实际情况当中，一个斑点可以考虑成是两个相邻的跳突组成，如下图。

类似于在图像当中，一个轮胎可以当成一个斑点，一个苍蝇也可以当成一个斑点。但是在使用高斯函数的二阶导数来检测斑点的时候，使用不同的高斯核（就是方差）运算不同大小的斑点时，计算出来的极值，即响应值会出现衰减。

此时，需要将高斯函数的二阶导数进行正规化，去除方差值不同导致响应值出现的衰减。

以上，是一维高斯函数检测一维信号的原理。二维的图像信号，使用二维高斯函数来检测斑点原理基本相同，此处的二维高斯函数的二阶导数，就叫做高斯拉普拉斯算子也就是LOG，通过改变不同的方差值，可以检测不同尺寸的二维斑点，如图。