Python计算机视觉实现特征提取与匹配

以下为本人被Python版本更迭痛苦折磨,烦躁不利索的第三方库包引入,反复尝试后个人认为最舒服的做法。

1.安装PCV

  1. 下载PCV包:https://codeload.github.com/Li-Shu14/PCV/zip/master
  2. 打开Anaconda3的prompt窗口,切换到下载好的PCV包所在的路径下
cd "C:\ai_class\数字图像处理\CV\实验作业\实验作业"
  1. 安装
pip install PCV-master.zip

(如果不是base环境,记得先激活指定环境)
在这里插入图片描述
在这里插入图片描述
(不是压缩包,可以随时编辑,可以在对应文件中更改由于版本问题出现的报错)

2.为生成.sift文件,需下载vlfeat-0.9.20-bin.tar.gz(一定要是这个版本)

  1. 下载地址:https://www.vlfeat.org/download/
  2. vlfeat-0.9.20/bin/win64下的sift.exe、vl.dll和vl.lib三个文件复制到sift.py所在的文件夹下
    在这里插入图片描述
  3. 更改路径,将sift.py中的cmmd = str(r"sift “+imagename+” --output="+resultname+ " “+params) 换为cmmd = str(r"D:\Progra~1\anaconda3\Lib\site-packages\PCV\localdescriptors\sift.exe “+imagename+” --output=”+resultname+ " "+params) ;
    注: 绝对路径,前加r,.exe后有一个空格。如果路径中有空格,例:D:\Program Files省略为上式。
    参考:https://blog.csdn.net/qq_50253976/article/details/113544433

可能错误:生成的sift文件为空,即特征提取为空。
UserWarning: loadtxt: Empty input file: “out_sift.1.txt” f = loadtxt(filename)

IndexError: too many indices for array: array is 1-dinmensional,but 2 were indexed
在这里插入图片描述

原因:部分电脑更换版本后可能会出现vcomp100.dll文件找不到问题,可下载对应的dll文件,下载链接https://cn.dll-files.com/vcomp100.dll.html,64位系统对应64位,下载后放入C:\Windows\SysWOW64和C:\Windows\System32,有则替换,亲测可运行成功

3.安装pydot前需要做好一些准备

见 https://blog.csdn.net/DreamWendy/article/details/123848230
文章结尾部分

本文资料来源网络,侵权即删
主要参考:https://blog.csdn.net/DreamWendy/article/details/123848230

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
Python是一种功能强大的编程语言,在计算机视觉领域广泛应用。OpenCV是一个开源的计算机视觉库,提供了许多处理图像和视频的函数和方法。SIFT是一种常用的特征提取算法,可以在图像中检测出关键点,并生成特征向量。在这里,我们将介绍如何使用Python结合OpenCV实现SIFT特征提取匹配。 使用Python实现SIFT特征提取的基本步骤如下: 1. 导入OpenCV库并读取图像 ``` import cv2 img = cv2.imread('image.jpg') ``` 2. 创建SIFT对象并检测关键点 ``` sift = cv2.xfeatures2d.SIFT_create() kp, des = sift.detectAndCompute(img, None) ``` 通过使用SIFT对象的detectAndCompute()函数,我们可以对图像进行关键点检测和特征描述符提取,并将结果保存在两个变量kp和des中。 3. 可视化关键点并保存图像 ``` img_kp = cv2.drawKeypoints(img, kp, None) cv2.imshow('Keypoints', img_kp) cv2.imwrite('output.jpg', img_kp) cv2.waitKey() ``` 在这个步骤中,我们使用drawKeypoints()函数将检测到的关键点绘制在图像上,并可以通过imshow()函数显示图像。然后,我们可以使用imwrite()函数将图像保存到本地。 实现SIFT特征匹配的基本步骤如下: 1. 读取并检测两张图像的关键点和描述符 ``` import cv2 img1 = cv2.imread('image1.jpg') img2 = cv2.imread('image2.jpg') sift = cv2.xfeatures2d.SIFT_create() kp1, des1 = sift.detectAndCompute(img1, None) kp2, des2 = sift.detectAndCompute(img2, None) ``` 2. 创建并运行暴力匹配器 ``` bf = cv2.BFMatcher() matches = bf.knnMatch(des1, des2, k=2) ``` 3. 使用比值测试来筛选出良好的匹配 ``` good_matches = [] for m, n in matches: if m.distance < 0.75 * n.distance: good_matches.append([m]) ``` 4. 可视化匹配点并保存图像 ``` img_matched = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good_matches, None, flags=2) cv2.imshow('Matching result', img_matched) cv2.imwrite('output.jpg', img_matched) cv2.waitKey() ``` 在步骤2中,我们使用了暴力匹配器BFMatcher()来对特征描述符进行匹配。knnMatch()函数返回的是最近邻和次近邻的描述符距离,我们可以用比值测试筛选出距离最近的描述符,并将其作为好的匹配。最后,我们使用drawMatchesKnn()可以将匹配点绘制在图像上,并通过imshow()函数显示图像。最后,我们可以通过imwrite()函数保存图像。 综上所述,使用Python结合OpenCV实现SIFT特征提取匹配非常简单。利用OpenCV中的函数和方法,我们可以轻松地处理图像和视频,实现各种计算机视觉应用。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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