opencv实战week2

图像特征篇我个人觉得就是数学计算方法，实际调用很简单所以本篇是基本原理便于加深理解

图像特征

harris

基本原理：

调用方法

import cv2
# cv2.cornerHarris()
# img:数据类型为float32的入图像
# blockSize:角点检测中指定区域的大公
# ksize: Sobel求导中使用的窗口大小
# k:取值参数为[0.04,0.06]
def cv_show(name,img):
    #显示的窗口名字，显示的图像
    cv2.imshow(name,img)
    cv2.waitKey(0)# 等待时间，毫秒级，0表示任意键终止
    #销毁当前窗口
    cv2.destroyAllWindows()
img=cv2.imread('picture/chessboard.jpg')
# cv_show('img',img)
print(img.shape)#(512, 512, 3)
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
dst=cv2.cornerHarris(gray,2,3,0.04)
print(dst.shape)
img[dst>0.01*dst.max()]=[255,0,0]
cv_show('dst',img)

sift

不同σ的高斯函数决定了对图像的平滑程度，越大的σ值对应的图像越模糊








消除边界响应

特征点的主方向


生成特征描述
再完成关键点的梯度计算后，使用直方图统计邻域内像素的梯度和方向

import cv2
import numpy as np
def cv_show(name,img):
    #显示的窗口名字，显示的图像
    cv2.imshow(name,img)
    cv2.waitKey(0)# 等待时间，毫秒级，0表示任意键终止
    #销毁当前窗口
    cv2.destroyAllWindows()
img=cv2.imread('test_1.jpg')
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
sift=cv2.SIFT_create()
kp=sift.detect(gray,None)
img=cv2.drawKeypoints(gray,kp,img)

cv_show('img',img)
#计算特征：
kp,des=sift.compute(gray,kp)
print(np.array(kp).shape)
print(des.shape)
print(des[0])