常用特征点检测器

SIFT: 04 年提出,广泛应用于各种跟踪和识别算法,表现能力强,但计算复杂度高。

SURF: 06 年提出,是 SIFT 的演进版本,保持强表现能力的同时大大减少了计算量。

BRISK: BRIEF 的演进版本,压缩了特征的表示,提高了匹配速度。

ORB: 以速度著称,是 SURF 的演进版本,多用于实时应用。

GFTT: 最早提出的 Harris 角点的改进版本,经常合称为 Harris-Shi-Tomasi 角点。

SimpleBlob: 使用 blob 的概念来抽取图像中的特征点,相对于角点的一种创新。FAST: 相比其他方法特征点数量最多,但也容易得到距离过近的点,需要经过 NMS。

Star: 最初用于视觉测距,后来也成为一种通用的特征点检测方法。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
OpenCV提供了多种特征点检测算法,常用的有以下几种: 1. Shi-Tomasi角点检测 Shi-Tomasi角点检测是一种基于Harris角点检测的改进算法,它在计算角点响应函数时使用了更加准确的公式,因此在一些场景下比Harris角点检测更加准确。 在OpenCV中,可以使用`cv2.goodFeaturesToTrack()`函数进行Shi-Tomasi角点检测,该函数的参数包括: - 输入图像 - 要检测的角点数量 - 角点的最小质量(在计算响应函数时,低于该值的角点将被忽略) - 角点之间的最小距离 2. Harris角点检测 Harris角点检测是一种基于图像梯度的方法,它通过计算每个像素周围的像素点的梯度值,来判断该像素是否为角点。 在OpenCV中,可以使用`cv2.cornerHarris()`函数进行Harris角点检测,该函数的参数包括: - 输入图像 - 角点邻域的大小 - Sobel算子的参数k,一般取值为0.04-0.06 - 角点检测结果的精度参数,一般取值为0.01-0.03 3. SIFT特征点检测 SIFT是一种局部特征描述算法,它可以在图像中检测出一些具有鲁棒性的关键点,并对这些关键点进行描述,从而实现图像匹配等任务。 在OpenCV中,可以使用`cv2.xfeatures2d.SIFT_create()`函数创建SIFT检测器,该函数的参数包括: - SIFT特征点的数量 - SIFT特征点的尺度空间 - SIFT特征点的高斯差分空间 4. SURF特征点检测 SURF是一种基于SIFT算法的改进算法,它通过使用快速Hessian矩阵计算方法,加速了SIFT算法的计算过程,从而实现了更快的特征点检测速度。 在OpenCV中,可以使用`cv2.xfeatures2d.SURF_create()`函数创建SURF检测器,该函数的参数包括: - SURF特征点的数量 - SURF特征点的尺度空间 - SURF特征点的Hessian阈值

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

sophia_xw

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值