13 图像特征
13.1 Harris角点检测
Harris角点检测的思想是通过图像的局部的小窗口观察图像,角点的特征是窗口沿任意方向移动都会导致图像灰度的明显变化。
Harris角点检测的数学原理较为繁琐,直接上个链接,Harris角点检测
- cv2.cornerHarris(img, 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:取值参数为[0.04, 0.06]
import cv2
import numpy as np
if __name__ == '__main__':
# 输入图像,并转换成灰度图
img = cv2.imread('./chess.png')
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 角点检测
# 转换成float32格式
img_gray = np.float32(img_gray)
dst = cv2.cornerHarris(img_gray, 2, 3, 0.04)
# 设置阈值,将角点绘制出来,阈值根据图像设置
img[dst > 0.01 * dst.max()] = [0, 0, 255]
# 展示图像
cv2.imshow('dst', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果展示:
原图像:
Harris角点检测后图像:
13.2 SIFT(Scale Invariant Feature Transform)函数
这里挂一个链接,我认为他是讲透了:SIFT函数
我这里简单的使用一下,给出需要使用的API:
- cv2.SIFT_create():用于实例化sift
- 不过老版本3.4.2之前的python是cv2.xfeatures2d.SIFT_create():也是实例化sift,不过3.4.2以后好像无法使用了
- cv2.detect(gray, None):检测灰度图像
- 返回kp(关键点信息),des(关键点描述符)
- cv2.drawKeypoints(image, keypoints, outputimage, color, flags):用于画出找到的关键点
- image:原始图像
- keypoints:找到的关键点,即kp
- outputimage:输出图片,可以是原始图像
- flags:绘图功能的标识设置
-
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和特征点,对每一个关键点只绘制中间点
-
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
-
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
-
cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS:单点的特征点不被绘制
-
import cv2
import numpy as np
if __name__ == '__main__':
img = cv2.imread('./cat.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 实例化
sift = cv2.SIFT_create()
# 得到特征点
kp = sift.detect(gray, None)
img = cv2.drawKeypoints(gray, kp, img)
cv2.imwrite('cat_sift.jpg', img)
cv2.imshow('drawKeypoints', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果展示:
原图像:
SIFT处理后的图像: