【OpenCV图像处理12】特征检测与匹配

文章目录

十二、特征检测与匹配

1、特征检测

特征检测是计算机视觉和图像处理中的一个概念。

它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征检测的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。

特征检测包括：

边缘检测
角检测
区域检测
脊检测

特征检测应用场景：

图像搜索，比如以图搜图
拼图游戏
图像拼接
…

以拼图游戏为例来说明特征检测的应用流程：

寻找特征 - 特征是唯一的- 特征是可追踪的- 特征是能比较的

我们发现：

平坦部分很难找到它在原图中的位置
边缘相比平坦要好找一些，但是也不能一下确定
角点可以一下就找到其在原图中的位置

图像特征就是值有意义的图像区域，具有独特性，易于识别性，比较角点、斑点以及高密度区。

在图像特征中最重要的就是角点，但哪些是角点呢？

灰度梯度的最大值对应的像素
两条线的交点
极值点（一阶导数最大，二阶导数为0）

1.1 Harris角点检测

1.1.1 算法原理

检测窗口在图像上移动，上图对应着三种情况：

在平坦区域，无论向哪个方向移动，衡量系统变换不大。
在边缘区域，向垂直边缘移动时，衡量系统变换剧烈。
在角点处，往哪个方向移动，衡量系统都变换剧烈。

1.1.2 实际应用

cornerHarris()

用法：**

cv2.cornerHarris(src, blockSize, ksize, k, dst:None, borderType:None)

参数说明：

blockSize：检测窗口大小
ksize：Sobel的卷积核
k：权重系数，即上面公式中的 α \alpha α ，是个经验值，一般取0.04~0.06之间（默认为0.04）。

代码实现：

import cv2

img = cv2.imread('../resource/chess.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# Harris角点检测# blockSize没有要求必须是奇数
dst = cv2.cornerHarris(gray, blockSize=2, ksize=3, k=0.04)# 返回的东西叫做角点响应，每一个像素点都能计算出一个角点响应来print(img.shape)print(gray.shape)# print(dst)print(dst.shape)# 显示角点# 我们认为角点响应大于0.01倍的dst.max()就可以认为是角点
img[dst >0.01* dst.max()]=[0,0,255]
cv2.imshow('img', img)

cv2.waitKey(0)
cv2.destroyAllWindows()

1.2 Shi-Tomasi角点检测

Shi-Tomasi是对Harris角点检测的改进。

Harris角点检测计算的稳定性和 K 有关，而 K 是一个经验值，不太好设定最佳的K值。

Shi-Tomasi发现，角点的稳定性其实和矩阵 M 的较小特征值有关，于是直接用较小的那个特征值作为分数，这样就不用调整 K 值了。

Shi-Tomasi将分数公式改为如下形式： R = m i n ( λ 1 , λ 2 ) R = min(\lambda_1, \lambda_2) R=min(λ1,λ2)
和Harris一样，如果该分数大于设定的阈值，我们就认为它是一个角点。

goodFeaturesToTrack()

用法：**

cv2.goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance, corners:None, mask:None, blockSize:None, useHarrisDetector:None, k:None)

参数说明：

maxCorners：角点的最大数，值为0表示无限制
qualityLevel：角点质量，小于1.0的整数，一般在0.01~0.1之间
minDistance：角点之间最小欧式距离，忽略小于此距离的点
mask：感兴趣的区域
blockSize：检测窗口的大小
useHarrisDetector：是否使用Harris算法
k：默认是0.04

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/chess.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

corners = cv2.goodFeaturesToTrack(gray, maxCorners=0, qualityLevel=0.01, minDistance=10)
corners = np.int0(corners)# Shi-Tomasi绘制角点for i in corners:
    x, y = i.ravel()
    cv2.circle(img,(x, y),3,(255,0,0),-1)

cv2.imshow('Shi-Tomasi', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

1.3 SIFT关键点检测

SIFT，即尺度不变特征变换（Scale-invariant feature transform，SIFT），是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。

Harris角点具有旋转不变的特性，但是缩放后，原来的角点有可能就不是角点了。

1.3.1 算法原理

图像尺度空间 - 在一定的范围内，无论物体是大还是小，人眼都可以分辨出来，然而计算机要有相同的能力却很难，所以要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。- 不同的 σ \sigma σ 的高斯函数决定了对图像的平滑程度，越大的 $\sigma $ 值对应的图像越模糊。

多分辨率金字塔

高斯差分金字塔（DOG）

DOG空间极值检测 - 为了寻找尺度空间的极值点，每个像素要和其图像域（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 3 * 3 邻域的8个像素点，以及其相邻的上下两层的 3 * 3 邻域的18个像素点，共26个像素点进行比较。

DOG定义公式：

    D
   
   
    (
   
   
    x
   
   
    ,
   
   
    y
   
   
    ,
   
   
    σ
   
   
    )
   
   
    =
   
   
    [
   
   
    G
   
   
    (
   
   
    x
   
   
    ,
   
   
    y
   
   
    ,
   
   
    k
   
   
    σ
   
   
    )
   
   
    −
   
   
    G
   
   
    (
   
   
    x
   
   
    ,
   
   
    y
   
   
    ,
   
   
    σ
   
   
    )
   
   
    ]
   
   
    ∗
   
   
    I
   
   
    (
   
   
    x
   
   
    ,
   
   
    y
   
   
    )
   
   
    =
   
   
    L
   
   
    (
   
   
    x
   
   
    ,
   
   
    y
   
   
    ,
   
   
    k
   
   
    σ
   
   
    )
   
   
    −
   
   
    L
   
   
    (
   
   
    x
   
   
    ,
   
   
    y
   
   
    ,
   
   
    σ
   
   
    )
   
  
  
   D(x, y, \sigma) = [G(x, y, k\sigma) - G(x, y, \sigma)] * I(x, y) = L(x, y, k\sigma) - L(x, y, \sigma)
  
 
D(x,y,σ)=[G(x,y,kσ)−G(x,y,σ)]∗I(x,y)=L(x,y,kσ)−L(x,y,σ)

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 ) (x, y, \sigma, \theta) (x,y,σ,θ) ，即位置、尺度和方向。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赋值后的特征点，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 - 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 \theta 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 8 * 8 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 4 * 4 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，即每个特征点由 4 个种子点组成，每个种子点由 8 个方向的向量信息。- 论文中建议对每个关键点使用 4 * 4 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。

1.3.2 实际应用

使用SIFT的步骤：

创建SIFT对象：sift = cv2.xfeatures2d.SIFT_create()
进行检测：kp = sift.detect(gray)
绘制关键点：cv2.drawKeypoints(gray, kp, img)

代码实现：

import cv2

img = cv2.imread('../resource/chess.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建SIFT对象# 注意：xfeatures2d是OpenCV的扩展包中的内容，需要安装opencv-contrib-python
sift = cv2.xfeatures2d.SIFT_create()# 进行检测
kp = sift.detect(gray)# kp是一个列表，存放的是封装的KeyPoint对象print(kp)# 绘制关键点
cv2.drawKeypoints(gray, kp, img)

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

1.3.3 关键点和描述子

关键点：位置、大小和方向

关键点描述子：记录了关键点周围对其有共享的像素点的一组向量值，其不受仿射变换、光照变换等影响，描述子的作用就是进行特征匹配，在后面进行特征匹配的时候会用上。

1、计算描述子

kp, des = sift.compute(img, kp)

其作用是进行特征匹配。

2、同时计算关键点和描述子

kp, des = sift.detectAndCompute(img,...)

mask：指明对img中哪个区域进行计算。

代码实现：

import cv2

img = cv2.imread('../resource/chess.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建SIFT对象
sift = cv2.xfeatures2d.SIFT_create()# 进行检测
kp = sift.detect(gray)# 检测关键点，并计算描述子
kp, des = sift.compute(img, kp)# 或者一步到位，把关键点和描述子一起检测出来# kp, des = sift.detectAndCompute(img, None)print(kp)print(len(kp))print(type(des))print(des)print(des.shape)

(<KeyPoint 000001A931FBFE40>,<KeyPoint 000001A931FBFE70>,<KeyPoint 000001A931FBFEA0>,<KeyPoint 000001A931FBFED0>,<KeyPoint 000001A931FBFF00>,<KeyPoint 000001A931FBFF30>,<KeyPoint 
 ...
000001A931FC47E0>)391<class'numpy.ndarray'>[[0.0.9....0.0.0.][0.2.20....0.0.0.][0.0.26....0.0.0.]...[0.0.9....0.0.0.][0.0.7....0.0.0.][0.5.29....0.0.0.]](391,128)

1.4 SURF特征检测

Speed Up Robust Features（SURF，加速稳健特征），是一种稳健的局部特征点检测和描述算法。

最初由Herbert Bay发表在2006年的欧洲计算机视觉会议（European Conference on Computer Vision，ECCV）上，并在2008年正式发表在Computer Vision and Image Understanding期刊上。

SURF是对David Lowe在1999年提出的SIFT算法的改进，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。

如果想对一系列的图像进行快速的特征检测，使用SIFT会非常慢。因此SIFT最大的问题就是速度慢，所以才有了SURF。

注意：SURF在较新版本的OpenCV中已经申请专利。需要降OpenCV版本才能使用，降到3.4.1.15就可以使用了。

使用SURF的步骤：

创建SURF对象：surf = cv2.xfeatures2d.SURF_create()
进行检测：kp, des = surf.detectAndCompute(img, mask)
绘制关键点：cv2.drawKeypoints(gray, kp, img)

代码实现：

import cv2

img = cv2.imread('../resource/chess.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建SURF对象
surf = cv2.xfeatures2d.SURF_create()# 进行检测
kp, des = surf.detectAndCompute(gray,None)print(des[0])# 绘制关键点
cv2.drawKeypoints(gray, kp, img)

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

版权问题，运行不出来，降OpenCV版本也出错了。

1.5 ORB特征检测

ORB（Oriented FAST and Rotated BRIEF），可以做到实时检测。

FAST：可以做到特征点的实时检测。

BRIEF：对已经检测到的特征点进行描述，加快了特征描述符建立的速度，同时也极大的降低了特征匹配的时间。

使用ORB的步骤：

创建ORB对象：orb = cv2.ORB_create()
进行检测：kp, des = orb.detectAndCompute(gray, None)
绘制关键点：cv2.drawKeypoints(gray, kp, img)

代码实现：

import cv2

img = cv2.imread('../resource/chess.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建ORB对象
orb = cv2.ORB_create()# 进行检测
kp, des = orb.detectAndCompute(gray,None)print(des[0])# 绘制关键点
cv2.drawKeypoints(gray, kp, img)

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

2、特征匹配

2.1 暴力特征匹配

BF（Brute-Force），暴力特征匹配方法。它使用第一组中的每个特征的描述子，与第二组中的所有特征描述子进行匹配，计算它们之间的差距，然后将最接近一个匹配返回。

基本步骤：

创建匹配器：cv2.BFMatcher()
进行特征匹配：bf.match()
绘制匹配点：cv2.drawMatches()

BFMatcher()

用法：**

bf = cv2.BFMatcher(normType:None, crossCheck:None)

normType：NORM_L1，NORM_L2 （默认），NORM_HAMMING，NORM_HAMMING2，… - NORM_L1：取描述子的绝对值进行加法运算- NORM_L2：欧氏距离- HAMMING：通过判断二进制位

L1
and
L2
norms are preferable choices for SIFT and SURF descriptors,
NORM_HAMMING
should be used with ORB, BRISK and BRIEF,
NORM_HAMMING2
should be used with ORB when
WTA_K==3
or
4
.

crossCheck：是否进行交叉匹配，默认为False

match()

用法：** 对两幅图的描述子进行计算

match= bf.match(queryDescriptors, trainDescriptors, mask:None)

参数为：SIFT、SURF、ORB等计算的描述子

drawMatches()

用法：**

cv2.drawMatches(img1, keypoints1, img2, keypoints2, matches1to2, outImg, matchColor:None, singlePointColor:None, matchesMask:None, flags:None)

参数为：搜索img， kp；匹配图img，kp；match()方法返回的结果match。

代码实现：

import cv2

img1 = cv2.imread('../resource/cv.bmp')
img2 = cv2.imread('../resource/cv.webp')
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)# 创建SIFT特征检测器
sift = cv2.xfeatures2d.SIFT_create()# 进行检测,计算描述子与特征点
kp1, des1 = sift.detectAndCompute(gray1,None)
kp2, des2 = sift.detectAndCompute(gray2,None)# 创建匹配器
bf = cv2.BFMatcher(cv2.NORM_L1)# 进行特征匹配match= bf.match(des1, des2)# 绘制匹配点
img = cv2.drawMatches(img1, kp1, img2, kp2,match,None)

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

2.2 FLANN特征匹配

FLANN优缺点：

在进行批量特征匹配时，FLANN速度更快。
由于它使用的是邻近近似值，所以精度较差。

基本步骤：

创建FLANN匹配器：cv2.FlannBasedMatcher()
进行特征匹配：flann.match/knnMatch
绘制匹配点：cv2.drawMatches()/drawMatchesKnn()

FlannBasedMatcher()

用法：**

# index_params = dict(algorithm=cv2.FLANN_INDEX_KDTREE, tress=5)
index_params =dict(algorithm=1, tress=5)
search_params =dict(checks=50)

flann = cv2.FlannBasedMatcher(index_params, search_params)

index_params字典：匹配算法 KDTREE（SIFT，SURF）、LSH（ORB）
search_params字典：指定KDTREE算法中遍历树的次数

knnMatch()

用法：**

match= cv2.knnMatch(queryDescriptors, trainDescriptors, k, mask:None, compactResult:None)

queryDescriptors, trainDescriptors：SIFT，SURF，ORB等计算的描述子
k：表示取欧氏距离最近的前k个关键点
返回的是匹配的结果DMatch对象- DMatch的内容：- distance：描述子之间的距离，值越低越好- queryIdx：第一幅图像的描述子索引值- trainIdx：第二幅图像的描述子索引值- imgIdx：第二幅图像的索引值

drawMatchesKnn()

用法：**

cv2.drawMatchesKnn(img1, keypoints1, img2, keypoints2, matches1to2, outImg, matchColor:None, singlePointColor:None, matchesMask:None, flags:None)

参数为：搜索img，kp；匹配图img，kp；match()方法返回的匹配结果match。

代码实现：

import cv2

# 读取两幅图像
img1 = cv2.imread('../resource/cv.bmp')
img2 = cv2.imread('../resource/cv.webp')
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)# 创建SIFT特征检测器
sift = cv2.xfeatures2d.SIFT_create()# 进行检测,计算描述子与特征点
kp1, des1 = sift.detectAndCompute(gray1,None)
kp2, des2 = sift.detectAndCompute(gray2,None)# 创建匹配器# index_params = dict(algorithm=cv2.FLANN_INDEX_KDTREE, tress=5)
index_params =dict(algorithm=1, tress=5)
search_params =dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)# 进行特征匹配match= flann.knnMatch(des1, des2, k=2)# 优化
good =[]for i,(m, n)inenumerate(match):if m.distance <0.7* n.distance:
        good.append(m)# 绘制匹配点
ret = cv2.drawMatchesKnn(img1, kp1, img2, kp2,[good],None)

cv2.imshow('ret', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()

3、图像查找

单应性的作用（一）：

单应性的作用（二）：

代码实现：特征匹配 + 单应性矩阵

import cv2
import numpy as np

# 读取两幅图像
img1 = cv2.imread('../resource/cv.bmp')
img2 = cv2.imread('../resource/cv.webp')
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)# 创建SIFT特征检测器
sift = cv2.xfeatures2d.SIFT_create()# 进行检测,计算描述子与特征点
kp1, des1 = sift.detectAndCompute(gray1,None)
kp2, des2 = sift.detectAndCompute(gray2,None)# 创建匹配器# index_params = dict(algorithm=cv2.FLANN_INDEX_KDTREE, tress=5)
index_params =dict(algorithm=1, tress=5)
search_params =dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)# 进行特征匹配match= flann.knnMatch(des1, des2, k=2)# 优化
good =[]for i,(m, n)inenumerate(match):if m.distance <0.7* n.distance:
        good.append(m)# 做判断iflen(good)>=4:# 单应性矩阵
    srcPts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1,1,2)
    dstPts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1,1,2)
    H, _ = cv2.findHomography(srcPts, dstPts, cv2.RANSAC,5.0)# 透视变换
    h, w = img1.shape[:2]
    pts = np.float32([[0,0],[0, h -1],[w -1, h -1],[w -1,0]]).reshape(-1,1,2)
    dst = cv2.perspectiveTransform(pts, H)# 用线框出来
    cv2.polylines(img2,[np.int32(dst)],True,(255,0,255),3)else:print('The number of good is less than 4.')
    exit()# 绘制匹配点
ret = cv2.drawMatchesKnn(img1, kp1, img2, kp2,[good],None)
cv2.imshow('ret', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()

标签： opencv python 图像处理

本文转载自: https://blog.csdn.net/m0_70885101/article/details/126645289
版权归原作者 LeoATLiang 所有，如有侵权，请联系我们删除。

【OpenCV图像处理12】特征检测与匹配

文章目录

十二、特征检测与匹配

1、特征检测

1.1 Harris角点检测

1.1.1 算法原理

1.1.2 实际应用

1.2 Shi-Tomasi角点检测

1.3 SIFT关键点检测

1.3.1 算法原理

1.3.2 实际应用

1.3.3 关键点和描述子

1.4 SURF特征检测

1.5 ORB特征检测

2、特征匹配

2.1 暴力特征匹配

2.2 FLANN特征匹配

3、图像查找

发表评论

“【OpenCV图像处理12】特征检测与匹配”的评论:

关于作者

overfit同步小助手

相关阅读

文章导航