haar特征_图像特征算法(二)——SURF算法简述及Python标记SURF特征检测实践

上一篇：图像特征算法(一)——SIFT算法简述及Python标记SIFT特征检测实践

下一篇：图像特征算法(三)——ORB算法简述及Python中ORB特征匹配实践

一、SURF算法

1.算法简介

SURF（Speeded-Up Robust Features）加速稳健特征，是一种稳健的局部特征点检测和描述算法。 SURF是对SIFT算法的改进，该算子在保持 SIFT 算子优良性能特点的基础上，同时解决了 SIFT 计算复杂度高、耗时长的缺点，提升了算法的执行效率，为算法在实时计算机视觉系统中应用提供了可能。

2.SURF与SIFT的具体差异

（1）在生成尺度空间方面，SIFT中下一组图像的尺寸是上一组的一半，同一组间图像尺寸一样，但是所使用的高斯模糊系数逐渐增大。而在SURF中，不同组间图像的尺寸都是一致的，但不同组间使用的盒式滤波器的模板尺寸逐渐增大，同一组间不同层间使用相同尺寸的滤波器，但是滤波器的模糊系数逐渐增大。

（2）在特征点检验时，SIFT算子是先对图像进行非极大值抑制，再去除对比度较低的点。然后通过Hessian矩阵去除边缘的点。SURF算法是先通过Hessian矩阵来检测候选特征点，然后再对非极大值的点进行抑制。

（3）在特征向量的方向确定上，SIFT算法是在正方形区域内统计梯度的幅值的直方图，找到最大梯度幅值所对应的方向。SIFT算子确定的特征点可以有一个或一个以上方向，其中包括一个主方向与多个辅方向。SURF算法则是在圆形邻域内，检测各个扇形范围内水平、垂直方向上的Haar小波响应，找到模值最大的扇形指向，且该算法的方向只有一个。

（4）SIFT算法生成描述子时，是将16x16的采样点划分为4x4的区域，从而计算每个分区种子点的幅值并确定其方向，共计4x4x8=128维。SURF算法在生成特征描述子时将的正方形分割成4x4的小方格，每个子区域25个采样点，计算小波haar响应，一共4x4x4=64维。

综上，SURF算法在各个步骤上都简化了一些繁琐的工作，仅仅计算了特征点的一个主方向，生成的特征描述子也与前者相比降低了维数。

二、Python代码实践

1.测试环境

（1）pycharm下python3.7.6 （2）opencv-python 3.4.2.16 （3）opencv-contrib-python 3.4.2.16

2.测试代码

import 

3.核心函数

（1）cv2.xfeatures2d.SURF_create(hessianThreshold, nOctaves, nOctaveLayers, extended, upright)

生成关键点的函数

• hessianThreshold：默认100，关键点检测的阈值，越高监测的点越少
• nOctaves：默认4，金字塔组数
• nOctaveLayers：默认3，每组金子塔的层数
• extended：默认False，扩展描述符标志，True表示使用扩展的128个元素描述符，False表示使用64个元素描述符。
• upright：默认False，垂直向上或旋转的特征标志，True表示不计算特征的方向，False-计算方向。

（2）cv2.drawKeypoint(image, keypoints, outImage, color, flags)

在图像中标记关键点的函数

• image：输入图像
• keypoints：获取的特征点
• outImage：输出图像
• color：颜色，默认为随机颜色
• flags：绘制点的模式，有下图所示四种模式

4.测试结果

上图即利用SURF算法检测到的图像特征点，各圆圆心即为检测到的特征点，各圆中的直线即分别标记了各个特征点的主方向。

上一篇：图像特征算法(一)——SIFT算法简述及Python标记SIFT特征检测实践

下一篇：图像特征算法(三)——ORB算法简述及Python中ORB特征匹配实践