【OpenCV】（八）图像角点检测

DuDu Sheep

已于 2022-07-19 23:46:09 修改

阅读量2.3k

点赞数 2

分类专栏： OpenCV 文章标签： opencv 计算机视觉人工智能 python

于 2022-03-21 19:31:29 首次发布

本文链接：https://blog.csdn.net/m0_52787570/article/details/123643340

版权

OpenCV 专栏收录该内容

9 篇文章 5 订阅

订阅专栏

Harris算法图像角点检测

# Harris角点检测

import cv2 as cv
import matplotlib.pyplot as plt

# 读取图像，并转换成灰度图像
img = cv.imread('picture/checkerboard.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# 角点检测
# 输入图像必须是float32
# dst = cv.cornerHarris(src, blockSize, ksize, k)
# img: 数据类型为float32的输入图像
# blockSize: 角点检测中要考虑的邻域大小
# ksize: sobel求导使用的核大小
# k: 角点检测方程中的自由参数，取值参数为[0.04, 0.06]
dst = cv.cornerHarris(gray, 2, 3, 0.04)

# 设置阈值，将角点绘制出来，阈值根据图像进行选择
img[dst > 0.01 * dst.max()] = [0, 0, 255]

# 图像显示
plt.imshow(img[:, :, :: -1])
plt.show()

运行结果

原图：角点检测（放大后）：

Shi—tomas算法图像角点检测

# Shi—Tomas角点检测

import cv2 as cv
import matplotlib.pyplot as plt
# 读取图像
img = cv.imread('picture/tower.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# 角点检测
# corners = cv2.goodFeaturesToTrack(image, maxcorners, qualityLevel, minDistance)
# Image: 输入灰度图像
# maxCorner: 获取角点数的数目
# qualityLevel: 该参数之处最低可接受的角点质量水平，在0-1之间
# minDistance: 角点之间最小的欧式距离，避免得到相邻特征点
# 返回：Corners: 搜索到的角点，在这里所有低于质量水平的角点被排除掉，然后把合格的角点按质量排序，然后将质量较好的角点附近（小于最小欧式距离）的角点删掉，最后找到maxCorners个角点返回
corners = cv.goodFeaturesToTrack(gray, 1000, 0.01, 10)

# 绘制角点
for i in corners:
    x, y = i.ravel()
    cv.circle(img, (int(x), int(y)), 2, (0, 0, 255), -1)

# 图像显示
plt.imshow(img[:, :, :: -1])
plt.show()

运行结果

原图：

SIFT算法图像角点检测

注意为使用cv2.xfeatures2d.SIFT_create()，需安装opencv-contrib-python库

# SIFT算法关键点检测

import cv2 as cv
import matplotlib.pyplot as plt

# 读取图像
img = cv.imread('picture/tower.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# SIFT关键点检测
# 1. 实例化sift
sift = cv.xfeatures2d.SIFT_create()

# 2. 利用sift.detectAndCompute()检测关键点并计算
kp, des = sift.detectAndCompute(gray, None)
# gray: 进行关键带你检测的图像，注意是灰度图像
# kp: 关键点信息，包括位置，尺度，方向信息
# des: 关键点描述符，每个关键点对应128个梯度信息的特征向量

# 3. 将关键点检测结果绘制在图像上
# cv2.drawKeypoints(image, keypoints, outputimage, color, flags)
# image: 原始图像
# keypoints: 关键点信息，将其绘制在图像上
# outputimage: 输出图片，可以是原始图像
# color: 颜色设置，通过修改(b, g, r)的值，更改画笔的颜色，b = 蓝色, g = 绿色, r = 红色
# flags: 绘图功能的标识设置
# 1. cv2.DRAW_MATCHES_FLAGS_DEFAULT: 创建输出图像矩阵，使用现存的输出图像绘制匹配对象和特征点，对每一个关键点只绘制中间点
# 2. cv2.DRAW_MATCHES_FLAGS_DRAW_OVER_OUTIMG: 不创建输出图像矩阵，而是在输出图像上绘制匹配对
# 3. cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS: 对每一个特征点绘制带大小和方向的关键点图形
# 4. cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS: 单点的特征点不被绘制
cv.drawKeypoints(img, kp, img, flags=cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

# 图像显示
plt.imshow(img[:, :, :: -1])
plt.show()

运行结果

FAST算法图像角点检测

# FAST算法关键点检测

import cv2 as cv
import matplotlib.pyplot as plt

# 读取图像
img = cv.imread('picture/tower.jpg')

# Fast角点检测
# 1. 实例化fast（可以处理彩色空间图像）
# fast = cv.FastFeatureDetector_create(threshold, nonmaxSuppression)
# threshold: 阈值t，有默认值10
# nonmaxSuppression: 是否进行非极大值抑制，默认值True
# fast: 创建的FastFeatureDetector对象
fast = cv.FastFeatureDetector_create(threshold=30)

# 2. 利用fast.detect检测关键点，没有对应的关键点描述
# kp = fast.detect(grayImg, None)
# gray: 进行关键点检测的图像，注意是灰度图像
# kp: 关键点信息，包括位置，尺度，方向信息
kp = fast.detect(img, None)

# 3. 将关键点检测结果绘制在图像上
# cv.drawKeypoints(image, keypoints, outputimage, color, flags)
# image: 原始图像
# keypoints: 关键点信息，将其绘制在图像上
# outputimage: 输出图片，可以是原始图像
# color: 颜色设置，通过修改(b, g, r)的值，更改画笔的颜色，b = 蓝色, g = 绿色, r = 红色
# flags: 绘图功能的标识设置
# 1. cv2.DRAW_MATCHES_FLAGS_DEFAULT: 创建输出图像矩阵，使用现存的输出图像绘制匹配对象和特征点，对每一个关键点只绘制中间点
# 2. cv2.DRAW_MATCHES_FLAGS_DRAW_OVER_OUTIMG: 不创建输出图像矩阵，而是在输出图像上绘制匹配对
# 3. cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS: 对每一个特征点绘制带大小和方向的关键点图形
# 4. cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS: 单点的特征点不被绘制
img2 = cv.drawKeypoints(img, kp, None, color=(0, 0, 255))

# 4. 关闭非极大值抑制
fast.setNonmaxSuppression(0)
kp = fast.detect(img, None)
img3 = cv.drawKeypoints(img, kp, None, color=(0, 0, 255))

# 显示图像
# 图像显示
plt.imshow(img2[:, :, :: -1])
plt.show()
plt.imshow(img3[:, :, :: -1])
plt.show()

运行结果

加入极大值抑制：

未加入极大值抑制：

ORB算法图像角点检测

# ORB算法角点检测

import cv2 as cv
import matplotlib.pyplot as plt

# 读取图像
img = cv.imread('picture/tower.jpg')

# ORB角点检测
# 1.1 实例化ORB
# orb = cv.ORB_create(nfeatures)

orb = cv.ORB_create(nfeatures=500)

# 2. 利用orb.detectAndCompute()检测关键点并计算
# kp, des = orb.detectAndCompute(gray, None)
# gray: 进行关键点检测的图像，注意是灰度图像
# kp: 关键点信息，包括位置，尺度，方向信息
# des: 关键点描述符，每个关键点BRIEF特征向量，二进制字符串
kp, des = orb.detectAndCompute(img, None)

# 3. 将关键点检测结果绘制在图像上
# cv.drawKeypoints(image, keypoints, outputimage, color, flags)
# image: 原始图像
# keypoints: 关键点信息，将其绘制在图像上
# outputimage: 输出图片，可以是原始图像
# color: 颜色设置，通过修改(b, g, r)的值，更改画笔的颜色，b = 蓝色, g = 绿色, r = 红色
# flags: 绘图功能的标识设置
# 1. cv2.DRAW_MATCHES_FLAGS_DEFAULT: 创建输出图像矩阵，使用现存的输出图像绘制匹配对象和特征点，对每一个关键点只绘制中间点
# 2. cv2.DRAW_MATCHES_FLAGS_DRAW_OVER_OUTIMG: 不创建输出图像矩阵，而是在输出图像上绘制匹配对
# 3. cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS: 对每一个特征点绘制带大小和方向的关键点图形
# 4. cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS: 单点的特征点不被绘制
img2 = cv.drawKeypoints(img, kp, None, color=(0, 0, 255), flags=0)

# 显示图像
plt.imshow(img2[:, :, :: -1])
plt.show()

运行结果