教你使用OpenCV对图像进行特征检测、描述和匹配

    介绍在本文中,我将讨论使用 OpenCV 进行图像特征检测、描述和特征匹配的各种算法。首先,让我们看看什么是计算机视觉,OpenCV 是一个开源计算机视觉库。当人类看到这张图片时会发生什么?
    
    他将能够识别图像中的面孔。因此,简单来说,计算机视觉就是让计算机能够像人类一样查看和处理视觉数据。计算机视觉涉及分析图像以产生有用的信息。
    什么是特征?当你看到芒果图像时,如何识别它是芒果?通过分析颜色、形状和质地,你可以说它是芒果。用于识别图像的线索称为图像的特征。同样,计算机视觉的功能是检测图像中的各种特征。我们将讨论 OpenCV 库中用于检测特征的一些算法。
    1． 特征检测算法
    1．1 Harris角点检测Harris角点检测算法用于检测输入图像中的角点。该算法有三个主要步骤。确定图像的哪个部分的强度变化很大,因为角落的强度变化很大。它通过在整个图像中移动一个滑动窗口来实现这一点。对于识别的每个窗口,计算一个分值 R。对分数应用阈值并标记角点。这是该算法的 Python 实现。
    import cv2
    import numpy as np
    imput_img = 'det_1．jpg'
    ori = cv2．imread(imput_img)
    image = cv2．imread(imput_img)
    gray = cv2．cvtColor(image,cv2．COLOR_BGR2GRAY)
    gray = np．float32(gray)
    dst = cv2．cornerHarris(gray,2,3,0．04)
    dst = cv2．dilate(dst,None)
    image[dst>0．01*dst．max()]=[0,0,255]
    cv2．imshow('Original',ori)
    cv2．imshow('Harris',image)
    if cv2．waitKey(0) & 0xff == 27:
        cv2．destroyAllWindows()
    这是输出。
    
    1．2 Shi-Tomasi 角点检测器
    这是另一种角点检测算法。它的工作原理类似于哈里斯角检测。这里唯一的区别是 R 值的计算。该算法还允许我们找到图像中最好的 n 个角。让我们看看 Python 的实现。import numpy as np
    import cv2
    from matplotlib import pyplot as plt
    img = cv2．imread('det_1．jpg')
    ori = cv2．imread('det_1．jpg')
    gray = cv2．cvtColor(img,cv2．COLOR_BGR2GRAY)
    corners = cv2．goodFeaturesToTrack(gray,20,0．01,10)
    corners = np．int0(corners)
    for i in corners:
        x,y = i．ravel()
        cv2．circle(img,(x,y),3,255,-1)
    cv2．imshow('Original', ori)
    cv2．imshow('Shi-Tomasi', img)
    cv2．waitKey(0)
    cv2．destroyAllWindows()
    这是 Shi-Tomasi 算法的输出。这里检测到前 20 个角。
    
    下一个是尺度不变特征变换。
    1．3 尺度不变特征变换(SIFT)SIFT 
    用于检测角、斑点、圆等。它还用于缩放图像。
    
    考虑这三个图像。尽管它们在颜色、旋转和角度上有所不同,但你知道这是芒果的三种不同图像。计算机如何能够识别这一点?在这种情况下,Harris 角点检测和 Shi-Tomasi 角点检测算法都失败了。但 SIFT 算法在这里起着至关重要的作用。它可以从图像中检测特征,而不管其大小和方向。让我们实现这个算法。import numpy as np
    import cv2 as cv
    ori = cv．imread('det_1．jpg')
    img = cv．imread('det_1．jpg')
    gray = cv．cvtColor(img,cv．COLOR_BGR2GRAY)
    sift = cv．SIFT_create()
    kp, des = sift．detectAndCompute(gray,None)
    img=cv．drawKeypoints(gray,kp,img,flags=cv．DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
    cv．imshow('Original',ori)
    cv．imshow('SIFT',image)
    if cv．waitKey(0) & 0xff == 27:
        cv．destroyAllWindows()
    输出如下所示。
    
    你可以看到图像中有一些线条和圆圈。特征的大小和方向分别用圆圈和圆圈内的线表示。我们将看到下一个特征检测算法。
    1．4 加速鲁棒特征(SURF)
    SURF算法只是SIFT的升级版。以下是代码实现:import numpy as np
    import cv2 as cv
    ori =cv．imread('/content/det1．jpg')
    img = cv．imread('/content/det1．jpg')
    surf = cv．xfeatures2d．SURF_create(400)
    kp, des = surf．detectAndCompute(img,None)
    img2 = cv．drawKeypoints(img,kp,None,(255,0,0),4)
    cv．imshow('Original', ori)
    cv．imshow('SURF', img2)
    
    接下来,我们将看到如何提取另一个名为 bob 的特征。
    2． 斑点检测BLOB 
    代表二进制大对象。它指的是特定二值图像中具有共同属性的一组连接像素或区域。这些区域是 OpenCV 中的轮廓,具有一些额外的特征,如质心、颜色、面积、均值和覆盖区域中像素值的标准差。以下是代码实现:import cv2
    import numpy as np;
    ori = cv2．imread('det_1．jpg')
    im = cv2．imread("det_1．jpg", cv2．IMREAD_GRAYSCALE)
    detector = cv2．SimpleBlobDetector_create()
    keypoints = detector．detect(im)
    im_with_keypoints = cv2．drawKeypoints(im, keypoints, np．array([]), (0,0,255), cv2．DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
    cv2．imshow('Original',ori)
    cv2．imshow('BLOB',im_with_keypoints)
    if cv2．waitKey(0) & 0xff == 27:
        cv2．destroyAllWindows()
    让我们看看输出。在这里,斑点被很好地检测到。
    
    现在,让我们进入特征描述符算法。
    3． 特征描述符算法
    特征通常是图像中的不同点,描述符给出特征,因此它描述了所考虑的关键点。它提取该点周围的局部邻域,从而创建局部图像块并计算来自该局部块的特征。3．1 定向梯度直方图(HoG)在深度学习出现之前,HoG 是对象检测应用中最突出的特征描述符之一。HoG 是一种用于计算图像局部中梯度方向出现的技术。让我们实现这个算法。from skimage．feature import hog
    import cv2
    ori = cv2．imread('/content/det1．jpg')
    img = cv2．imread("/content/det1．jpg")
    _, hog_image = hog(img, orientations=8, pixels_per_cell=(16, 16),
                        cells_per_block=(1, 1), visualize=True, multichannel=True)
    cv2．imshow('Original', ori)
    cv2．imshow('HoG', hog_image)
    
    下一个是BRIEF。
    3．2 二元鲁棒独立基本特征(BRIEF)
    Brief 是流行的 SIFT 描述符的替代品,它们计算速度更快,更紧凑。让我们看看它的实现。import numpy as np
    import cv2 as cv
    ori = cv．imread('/content/det1．jpg')
    img = cv．imread('/content/det1．jpg',0)
    star = cv．xfeatures2d．StarDetector_create()
    brief = cv．xfeatures2d．BriefDescriptorExtractor_create()
    kp = star．detect(img,None)
    kp, des = brief．compute(img, kp)
    print( brief．descriptorSize() )
    print( des．shape )
    img2 = cv．drawKeypoints(img, kp, None, color=(0, 255, 0), flags=0)
    cv．imshow('Original', ori)
    cv．imshow('BRIEF', img2)
    这是结果。
    
    3．3 定向快速旋转简报 (ORB)
    ORB 是一种一次性面部识别算法。它目前正在你的手机和应用程序中使用,例如 Google 照片,你可以在其中对人进行分组,你看到的图像是根据人分组的。这个算法不需要任何主要的计算。它不需要GPU。快速而简短。它适用于关键点匹配。图像中不同区域的关键点匹配,如强度变化。下面是这个算法的实现。import numpy as np
    import cv2
    ori = cv2．imread('/content/det1．jpg')
    img = cv2．imread('/content/det1．jpg', 0)
    orb = cv2．ORB_create(nfeatures=200)
    kp = orb．detect(img, None)
    kp, des = orb．compute(img, kp)
    img2 = cv2．drawKeypoints(img, kp, None, color=(0, 255, 0), flags=0)
    cv2．imshow('Original', ori)
    cv2．imshow('ORB', img2)
    这是输出。
    
    现在,让我们看看特征匹配。
    4． 特征匹配
    特征匹配就像比较两个图像的特征,这两个图像可能在方向、视角、亮度上不同,甚至大小和颜色也不同。让我们看看它的实现。import cv2
    img1 = cv2．imread('/content/det1．jpg', 0)
    img2 = cv2．imread('/content/88．jpg', 0)
    orb = cv2．ORB_create(nfeatures=500)
    kp1, des1 = orb．detectAndCompute(img1, None)
    kp2, des2 = orb．detectAndCompute(img2, None)
    bf = cv2．BFMatcher(cv2．NORM_HAMMING, crossCheck=True)
    matches = bf．match(des1, des2)
    matches = sorted(matches, key=lambda x: x．distance)
    match_img = cv2．drawMatches(img1, kp1, img2, kp2, matches[:50], None)
    cv2．imshow('original image', img1)
    cv2．imshow('test image', img2)
    cv2．imshow('Matches', match_img)
    cv2．waitKey()
    这是这个算法的结果。
    
    
    
    尾注我希望你喜欢这篇文章。我已经简要介绍了各种特征检测、描述和特征匹配技术。上述技术用于对象检测、对象跟踪和对象分类应用。当你开始练习时,真正的乐趣就开始了。所以,开始练习这些算法,在实际项目中实现它们,看看其中的乐趣。保持学习。