OpenCv-C++-KAZE(AKAZE)局部特征检测(一)

KAZE与AKAZE都是OpenCv中集成的API算法,AKAZE是KAZE的加速版本(A表示Accelerated(加速的))。且AKAZE的执行效率要优于KAZE。
与SURF和SIFT不同(基于线性),KAZE(AKAZE)是基于非线性插值的方法,这一点在图像处理方面来说确实比SURF和SIFT要好,毕竟图像大多是不连续的。

KAZE(AKAZE)基本步骤与介绍:
1、AOS构造尺度空间;------非线性方法构造,SURF与SIFT基于线性方法构造。
2、Hessian矩阵特征点检测;
3、方向基于一阶微分图像;------图像的旋转不变性(旋转角度)。
4、描述子生成。---------归一化处理。

与SIFT和SURF的比较:
1、更加稳定;
2、非线性尺度空间;
3、AKAZE比KAZE素的更快;
4、比较新的算法。

话不多说,上代码(KAZE):

#include<opencv2/opencv.hpp>
#include<iostream>
#include<math.h>

using namespace cv;
using namespace std;

Mat src;
int main(int argc, char** argv)
{
	src = imread("D:/test/girl.png", IMREAD_GRAYSCALE);
	if (!src.data)
	{
		printf("图片未找到...");
		return -1;
	}
	imshow("input title", src);
	double t1 = getTickCount();
	//检测特征点(非线性)
	Ptr<KAZE>detector = KAZE::create();
	vector<KeyPoint> keypoints;
	detector->detect(src, keypoints, Mat());

	double t2 = getTickCount();
	double t = (t2 - t1) * 1000 / getTickFrequency();//结果转化为毫秒
	printf("特征点寻找所花费时间(ms):%f",t);

	//绘制特征点
	Mat keypointsImg;
	//drawKeypoints(src, keypoints, keypointsImg, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
	//DrawMatchesFlags::DEFAULT与0是等价的
	drawKeypoints(src, keypoints, keypointsImg, Scalar::all(-1), 0);
	imshow("KAZE keypoints result", keypointsImg);
	waitKey(0);
	return 0;



}

KAZE的运行结果与检测时间:
1、运行结果:
在这里插入图片描述

在这里插入图片描述

花费时间:
在这里插入图片描述
可以看到,花费时间有点长,大概2秒左右。

其实AKAZE的代码跟KAZE几乎完全一样,只是改了Ptr<KAZE>detector = KAZE::create();而已。
只需将上面代码改成如下样子即可:Ptr<AKAZE>detector = AKAZE::create();

接下来放上AKAZE的代码:

#include<opencv2/opencv.hpp>
#include<iostream>
#include<math.h>

using namespace cv;
using namespace std;

Mat src;
int main(int argc, char** argv)
{
	src = imread("D:/test/girl.png", IMREAD_GRAYSCALE);
	if (!src.data)
	{
		printf("图片未找到...");
		return -1;
	}
	imshow("input title", src);
	double t1 = getTickCount();
	//检测特征点(非线性)
	Ptr<AKAZE>detector = AKAZE::create();
	vector<KeyPoint> keypoints;
	detector->detect(src, keypoints, Mat());

	double t2 = getTickCount();
	double t = (t2 - t1) * 1000 / getTickFrequency();//结果转化为毫秒
	printf("特征点寻找所花费时间(ms):%f",t);

	//绘制特征点
	Mat keypointsImg;
	//drawKeypoints(src, keypoints, keypointsImg, Scalar::all(-1), DrawMatchesFlags::DEFAULT);
	//DrawMatchesFlags::DEFAULT与0是等价的
	drawKeypoints(src, keypoints, keypointsImg, Scalar::all(-1), 0);
	imshow("AKAZE keypoints result", keypointsImg);
	waitKey(0);
	return 0;



}

AKAZE的运行结果与检测时间:
1、运行结果:
在这里插入图片描述

在这里插入图片描述

花费时间:
在这里插入图片描述

AKAZE与KAZE比较,时间上几乎少了很多,运行效率大大提高,所以说AKAZE是KAZE的加速版这一说法确实正确。

  • 5
    点赞
  • 32
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
AKAZE(Accelerated-KAZE)是一种用于图像特征提取和匹配的算法,它在MATLAB中也有相应的实现。AKAZE算法的运行时间取决于输入图像的大小和复杂度,以及计算机的硬件性能。 在MATLAB中,可以使用`detectFeatures`函数来实现AKAZE算法。该函数会返回检测到的特征点及其描述子。下面是一个示例代码: ```matlab % 读取图像 image = imread('image.jpg'); % 将图像转换为灰度图 grayImage = rgb2gray(image); % 创建AKAZE对象 akazeObj = vision.AKAZE; % 检测特征点及其描述子 [features, validPoints] = detectFeatures(akazeObj, grayImage); % 显示特征点 imshow(image); hold on; plot(validPoints); ``` 由于AKAZE算法是一种较为复杂的特征提取算法,因此其运行时间可能会比较长。具体的运行时间取决于输入图像的大小和特征点的数量。如果输入图像较大或者包含大量的特征点,运行时间可能会更长。 如果你想获取更准确的运行时间信息,可以使用MATLAB中的`tic`和`toc`函数来计时。具体的代码如下: ```matlab % 开始计时 tic; % 执行AKAZE算法 [features, validPoints] = detectFeatures(akazeObj, grayImage); % 停止计时并输出运行时间 elapsedTime = toc; disp(['AKAZE算法的运行时间为:', num2str(elapsedTime), '秒']); ``` 通过上述代码,你可以得到AKAZE算法的运行时间。请注意,由于硬件性能的差异,不同计算机上的运行时间可能会有所不同。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值