ORB (Oriented FAST和Rotated BRIEF)结合了FAST关键点检测器和BRIEF描述符,并进行了许多改进来增强性能。要实现 ORB 特征检测器和描述符,可以按照以下步骤操作。
- 导入所需的库 OpenCV 和 NumPy 。确保您已经安装了它们。
-
使用 cv2.imread() 方法读取输入图像。指定图像的完整路径。使用 cv2.cvtColor() 将输入图像转换为灰度图像的方法。
-
使用默认值启动ORB对象,使用 orb=cv2.ORB_create() 。
-
在灰度图像中检测和计算特征关键点 ‘kp’ 和描述符’ des ‘。使用 orb.detectAndCompute() 。它返回关键点’ kp ‘和描述符’ des ‘。
-
使用 cv2.drawKeypoints() 函数在图像上绘制检测到的特征关键点 kp 。要绘制丰富的特征关键点,可以将flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS作为参数传递。
-
显示带有绘制特征关键点的图像。
让我们看一些示例,使用ORB特征检测器在输入图像中检测和绘制关键点。
输入图像
我们将使用以下图像作为下面示例的输入文件。
示例
在此Python程序中,我们使用ORB特征检测器在输入图像中检测和计算关键点和描述符。我们还在图像上绘制关键点并显示它们。
# 导入所需的库
import cv2
# 读取输入图像
img = cv2.imread('house.jpg')
# 将图像转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 使用默认值启动ORB对象
orb = cv2.ORB_create(nfeatures=2000)
# 在图像(灰度)上检测和计算关键点
kp = orb.detect(gray, None)
kp, des = orb.compute(gray, kp)
# 在图像中绘制关键点
img1 = cv2.drawKeypoints(gray, kp, None, (0,0,255), flags=0)
# 显示在其中绘制了关键点的图像
cv2.imshow("ORB Keypoints", img1)
cv2.waitKey(0)
cv2.destroyAllWindows()
输出
当我们执行以上程序时,将生成以下输出窗口 −
关键点以红色显示。
示例
在此Python程序中,同样使用ORB特征检测器在输入图像中检测和计算关键点和描述符。我们还在图像上绘制关键点并显示它们。
我们使用标志 cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS 来画出关键点。
# 导入所需的库
import cv2
# 读取输入图像
img = cv2.imread('house.jpg')
# 将图像转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 初始化ORB对象为默认值
orb = cv2.ORB_create(nfeatures=50)
# 在图像(灰度)上检测和计算关键点
kp, des = orb.detectAndCompute(gray, None)
# 在图像中绘制关键点
img1 = cv2.drawKeypoints(img, kp, None,(0,0,255),
flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
# 显示画有关键点的图像
cv2.imshow("ORB关键点", img1)
cv2.waitKey(0)
cv2.destroyAllWindows()
输出
执行上述程序后,将产生下面的 输出 窗口−
以上输出图像中,关键点是按其大小和方向绘制的。我们找到并绘制了50个特征关键点。
为帮助更多对人工智能感兴趣的小伙伴们能够有效的系统性的学习以及论文的研究,小编特意制作整理了一份人工智能学习资料给大家,整理了很久,非常全面。
大致内容包括一些人工智能基础入门视频和文档+AI常用框架实战视频、计算机视觉、机器学习、图像识别、NLP、OpenCV、YOLO、pytorch、深度学习与神经网络等学习资料、课件源码、国内外知名精华资源、以及AI热门论文等全套学习资料。
需要以上这些文中提到的资料,请点击此处→【人工智能全套完整VIP资料】即可免费获取。
看完三件事❤️
- 如果你觉得这篇内容对你还蛮有帮助,我想邀请你帮我三个小忙:
- 点赞,转发,有你们的 『点赞和评论』,才是我创造的动力。
- 关注作者公众号 『 python深度学习NLP 』,不定期分享原创知识。
- 关注后回复【666】扫码即可获取学习资料包。
- 同时可以期待后续文章ing🚀。