OpenCV初尝试13——图像特征

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：