计算机视觉-OpenCV（六）

一、图像特征-harris角点检测

平、边界、角点

函数：
cv2.cornerHarris()
    img:数据类型为float32的图像
    blockSize:角点检测中指定区域大小
    ksize：Sobel求导使用的窗口大小
    k：取值参数为[0.06,0.04]

import cv2
import numpy as np

img = cv2.imread('car.jpg')
print('img.shape',img.shape)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
gray=np.float32(gray)
dst=cv2.cornerHarris(gray,2,3,0.04)
print(dst.shape)

#dst相当于变化程度，变成程度大于最大值的0.1时，标红
img[dst>0.1*dst.max()]=[0,0,255]
cv2.imshow('dst',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

二、SIFT算法（尺度不变特征变换）

2.1 图像尺度空间
在一定的范围内，无论物体是大还是小，人眼都可以分辨出来，然而计算机要有相同的能力却很难，所以要让计算机能够对物体在不同尺度下有一个统一的认知，就需要考虑图像在不同尺度下都存在的特点。
（高斯模糊）不同的参数决定图像的平滑程度，越大的参数对应的图像越模糊
    2.1.1多分辨率图像金字塔
    2.1.2高斯差分金字塔（选出有价值的点）
2.2 极值点检测（比较每个点周围8个点，上下层18个点，共26个点。结果是离散的，需对各点进行拟合，计算极值点）
2.3 消除边界相应
2.4 特征点的主方向
2.5 生成特征描述

import cv2
import numpy as np

img = cv2.imread('car.jpg')
#print('img.shape',img.shape)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#实例化SIFT
sift=cv2.SIFT_create()
#得到关键点
kp=sift.detect(gray,None)
#绘制关键点函数：drawKeypoints
img=cv2.drawKeypoints(gray,kp,img)
cv2.imshow('drawKeypoints',img)
cv2.waitKey(0)
cv2.destroyAllWindows()


#计算特征,返回值kp：关键点，des特征
kp,des=sift.compute(gray,kp)
#查看有多少个关键点，kp是list格式，转换成array计算
print(np.array(kp).shape) #(1368,)
des.shape #(1368, 128) 128维向量