python使用opencv计算SIFT特征点的示例
前言
SIFT(Scale-invariant feature transform)是2004年提出的,至今已经经受住各种考验,被证实是在同类描述子中具有很强健壮性的算法。
SIFT既是一种特征点检测算法,也同时提供特征点的描述子。
本文使用两个示例,简单介绍在python下如何使用opencv计算SIFT特征点
完整代码及更多算法demo,见我最近开始构建的 AI ToolBox
我建立 AI ToolBox 的初衷是,将工作学习中编写的代码中可复用的部分总结起来,组成一个工具箱,提高工作中尝试算法的时间成本。希望也能对大家有用,我会持续的进行更新
下面进入正题
潜在的问题记录
由于SIFT及SURF等特征点检测算法已经申请专利,其算法实习是独立于opencv之外的
因此,(假设你已经安装了opencv)你在搜索网上教程尝试使用SIFT算法时,你可能遇到下面的问题
’module’ object has no attribute 'xfeatures2d’
这是由于你没有安装 opencv-contrib-python 库导致的,解决方法:
pip install opencv-contrib-python
但愿程序已正常运行,但是,取决于你的各种版本配置,你还可能遇到这样的问题:
…Set OPENCV_ENABLE_NONFREE CMake option and rebuild the library in function 'cv::xfeatures2d::SIFT::create’
在 stackflow 上可以找到该问题的若干解决办法
由于我猜测这是和版本相关的问题,我是用如下方法解决的,很简单。
先卸载 opencv 和 opencv-contrib-python, 再重新安装统一版本的两个库。依此输入如下命令:
pip uninstall opencv-python
pip uninstall opencv-contrib-python
pip install opencv-python==3.3.0.10
pip install opencv-contrib-python==3.3.0.10
demo1:计算并绘制特征点
我们先来简单感受一下SIFT在做什么
调用很简单:
使用detectAndCompute
方法检测特征点
使用drawKeypoints
将特征点绘制处理
# -*- coding: utf-8 -*-
"""
Created on Thu Nov 8 15:34:41 2018
SIFT特征点检测demo1
计算SIFT特征点并绘制于图像中
@author: zyb_as
"""
import cv2
# 1) 以灰度图的形式读入图片
psd_img_1 = cv2.imread('jgz1.jpg', cv2.IMREAD_GRAYSCALE)
# 2) SIFT特征计算
# 初始化detector
sift = cv2.xfeatures2d.SIFT_create()
# 检测特征点
psd_kp1, psd_des1 = sift.detectAndCompute(psd_img_1, None)
# 3) 绘制特征点
#画出特征点
im_keypoint = cv2.drawKeypoints(psd_img_1, psd_kp1, psd_img_1,
flags = cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imshow('image', im_keypoint)#展示图片
cv2.waitKey(0)#等待按键按下
cv2.destroyAllWindows()#清除所有窗口
结果如下:
demo2:使用SIFT匹配两幅图像
我们可以用SIFT点做些什么呢?
最常见的应用有图像拼接、模板匹配等
在demo2中,我们假设这样的应用场景: 已有一张人脸模板,在另一幅图像中,尝试判断其中是否包含这个人的脸。
核心思路是:
1)使用SIFT分别检测图片和模板的特征点
2)对两组特征点进行KNN匹配
3)使用RANSAC剔除误匹配的点对
4)通过最后留下的配对成功的点对的数量,通过一个阈值,判断图像中是否出现了模板人脸对应的同一个人
这里我们对前两部进行实现练习:
代码详见AI ToolBox中的sift_demo2.py
看下效果:
可以看到,强大的SIFT描述子可以很好的匹配出两幅图中的同一个人,即使是像金馆长这种已经被做成表情包的例子,都可以匹配成功。
同时,对于不是同一个人的情况,即使都是人(都有同样人类的面部结构),SIFT也能够进行很好的区分。
参考文章地址
David G.Lowe Distinctive Image Features from Scale-Invariant Keypoints. January 5, 2004.