这次的博客是关于图像局部特征描述子。
特征点检测、匹配都是一些图像处理的重要步骤,特征点必须具有不变性:位移、旋转、尺度、光照、曝光等。特征包括:角点、梯度特征点、边缘特征、纹理特征。
Harris角点检测器
角点:局部窗口沿各方向移动,均发生明显变化的点,图像局部曲率突变的点。
Harris角点检测基本思想,从图像局部的小窗口观察图像特征,窗口向任意方向移动都导致图像灰度的明显变化即为角点,如下图红色窗口。
根据泰勒展开式
以上的过程的数学表达:α=0.04~0.06
|R|为小数值就是平坦区,角点为大数值正数(要设置一个数值来判断大小),边缘为大数值负数
ps:为了消除参数α的影响,也可以采用商来计算。
Q:那角点检测是否就是直接选择响应值R大的点呢?
A:不是,因为响应值R大的点可能会集中在一个区域内——一个真正角点周围的临近点R值也会很大。所以我们还需要一步非极大值抑制来提取R的局部极大值。
from pylab import *
from PIL import Image
from pylab import *
from numpy import *
from scipy.ndimage import filters
import cv2
def compute_harris_response(im,sigma=3):
#计算响应值
# 计算导数
imx = zeros(im.shape)
filters.gaussian_filter(im, (sigma,sigma), (0,1), imx)
imy = zeros(im.shape)
filters.gaussian_filter(im, (sigma,sigma), (1,0), imy)
Wxx = filters.gaussian_filter(imx*imx,sigma)
Wxy = filters.gaussian_filter(imx*imy,sigma)
Wyy = filters.gaussian_filter(imy*imy,sigma)
Wdet = Wxx*Wyy - Wxy**2
Wtr = Wxx + Wyy
return Wdet / Wtr
以上就是计算响应值R 的函数。
根据响应值R对候选角点进行排序,其中还包括非极大值抑制:
def get_harris_points(harrisim,min_dist=10,threshold=0.1):
# 找到R高于阈值的点
corner_threshold = harrisim.max() * threshold
harrisim_t = (harrisim > corner_threshold) * 1
# 坐标和R
coords = array(harrisim_t.nonzero()).T
candidate_values = [harrisim[c[0],c[1]] for c in coords]
# 对R排序
index = argsort(candidate_values)[::-1]
allowed_locations = zeros(harrisim.shape)
allowed_locations[min_dist:-min_dist,min_dist:-min_dist] = 1
# 非极大值抑制
filtered_coords = []
for i in index:
if allowed_locations[coords[i,0],coords[i,1]] == 1:
filtered_coords.append(coords[i])
allowed_locations[(coords[i,0]-min_dist):(coords[i,0]+min_dist),
(coords[i,1]-min_dist):(coords[i,1]+min_dist)] = 0
return filtered_coords
绘制角点的函数
def plot_harris_points(image,filtered_coords):
figure()
imshow(image)
plot([p[1] for p in filtered_coords],
[p[0] for p in filtered_coords],'*')
axis('off')
结果:
在图像中寻找对应点对
检测出图像中的角点后,还需要对不同图片检测出的角点进行匹配:给检测出的角点打上标签,根据标签对角点进行匹配,这些标签叫做角点的描述子 ——是分配给角点的一个向量,这个向量通常是由周围图像像素块的灰度值,以及用于比较的归一化互相关矩阵构成的,通常,两个相同大小像素块的相关矩阵定义为:
c值越大,两个像素块的相关度越高,下列为归一化后的互相关矩阵,归一化可以保证不在一个规模的数据之间变得具有可比性:
def get_descriptors(image,filtered_coords,wid=5):
"""返回角点周围2*wid +1个像素的值 ,计算每个角点的描述子"""
desc = []
for coords in filtered_coords:
patch = image[coords[0]-wid:coords[0]+wid+1,
coords[1]-wid:coords[1]+wid+1].flatten()
desc.append(patch)
return desc
def match(desc1,desc2,threshold=0.5):
""" 对角点描述子,进行归一化互相关,匹配两幅图片的角点. """
n = len(desc1[0])
# pair-wise distances
d = -ones((len(desc1),len(desc2)))
for i in range(len(desc1)):
for j in range(len(desc2)):
d1 = (desc1[i] - mean(desc1[i])) / std(desc1[i])
d2 = (desc2[j] - mean(desc2[j])) / std(desc2[j])
ncc_value = sum(d1 * d2) / (n-1)
if ncc_value > threshold:
d[i,j] = ncc_value
ndx = argsort(-d)
matchscores = ndx[:,0]
return matchscores
以上是单项地从第一幅图像向第二幅图像进行匹配,若也从第二幅图像向第一幅图像匹配一次,就可以得到更稳定的结果:
def match_twosided(desc1,desc2,threshold=0.5):
""" 进行双向匹配 """
matches_12 = match(desc1,desc2,threshold)
matches_21 = match(desc2,desc1,threshold)
ndx_12 = where(matches_12 >= 0)[0]
# 去除不对称的匹配点对
for n in ndx_12:
if matches_21[matches_12[n]] != n:
matches_12[n] = -1
return matches_12
连接匹配角点对,实现匹配可视化:
def appendimages(im1,im2):
rows1 = im1.shape[0]
rows2 = im2.shape[0]
if rows1 < rows2:
im1 = concatenate((im1,zeros((rows2-rows1,im1.shape[1]))),axis=0)
elif rows1 > rows2:
im2 = concatenate((im2,zeros((rows1-rows2,im2.shape[1]))),axis=0)
return concatenate((im1,im2), axis=1)
def plot_matches(im1,im2,locs1,locs2,matchscores,show_below=True):
""" 显示带有匹配对的图像们 """
im3 = appendimages(im1,im2)
if show_below:
im3 = vstack((im3,im3))
imshow(im3)
cols1 = im1.shape[1]
for i,m in enumerate(matchscores):
if m>0:
plot([locs1[i][1],locs2[m][1]+cols1],[locs1[i][0],locs2[m][0]],'c',linewidth = 0.3,color = 'r')
axis('off')
plt.savefig('C:\Python\imgs\p3.jpg',dpi=1080)
测试:
def imresize(im,sz):
pil_im = Image.fromarray(uint8(im))
return array(pil_im.resize(sz))
# Figure 2-2下面的图
img1 = array(Image.open("C:\Python\imgs\p1.jpg").convert('RGB'))
img2 = array(Image.open("C:\Python\imgs\p2.jpg").convert('RGB'))
im1 = array(Image.open("C:\Python\imgs\p1.jpg").convert('L'))
im2 = array(Image.open("C:\Python\imgs\p2.jpg").convert('L'))
img1 = imresize(img1, (img1.shape[1]//2, img1.shape[0]//2))
img2 = imresize(img2, (img2.shape[1]//2, img2.shape[0]//2))
# resize让匹配更快点
im1 = imresize(im1, (im1.shape[1]//2, im1.shape[0]//2))
im2 = imresize(im2, (im2.shape[1]//2, im2.shape[0]//2))
wid = 5
harrisim = compute_harris_response(im1, 5)
filtered_coords1 = get_harris_points(harrisim, wid+80)
d1 = get_descriptors(im1, filtered_coords1, wid)
harrisim = compute_harris_response(im2, 5)
filtered_coords2 = get_harris_points(harrisim, wid+80)
d2 = get_descriptors(im2, filtered_coords2, wid)
print ('starting matching')
matches = match_twosided(d1, d2)
figure()
gray()
plot_matches(img1, img2, filtered_coords1, filtered_coords2, matches)
show()
结果:
但是对于旋转和尺度不同的特征点Harris角点特征检测仍然有问题。