Python-计算机视觉05-图像特征-SIFT尺度不变特征变换

图像特征-SIFT尺度不变特征变换

1.1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,然后计算机要具有相同的能力却很难,所以要让机器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。
尺度空间的获取通常使用高斯模糊来实现
在这里插入图片描述1.2多分辨率金字塔
在这里插入图片描述1.3高斯差分金字塔
在这里插入图片描述1.4DoG空间极值检测
•为了寻找尺度空间的极值点,每个像素点要和其图像域(同一尺度空间)和尺度域(相邻的尺度空间)的所有相邻点进行比较,当其大于(或者小于)所有相邻点时,该点就是极值点。如下图所示,中间的检测点要和其所在图像的33邻域8个像素点,以及其相邻的上下两层33邻域18个像素点,共26个像素点进行比较。
在这里插入图片描述1.5关键点的精确定位
•这些候选关键点是DoG空间的局部极值点,而且这些极值点均为离散的点,精确定位极值点的一种方法是对尺度空间DoG函数进行曲线拟合,计算其极值点,从而实现关键点的精确定位。
在这里插入图片描述1.6消除边界响应
在这里插入图片描述1.7特征点的主方向
在这里插入图片描述2.1生成特征描述
在这里插入图片描述在这里插入图片描述在这里插入图片描述
OpenCV SIFT函数

import cv2  #opencv 读取进来为BGR格式
import matplotlib.pyplot as plt
import numpy as np

#一个魔法指令,不需要采用plt.show()显示图像
%matplotlib inline   

print(cv2.__version__)   # 3.4.1.15 pip install opencv-python ==3.4.1.15  pip install opencv-contrib-python==3.4.1.15

def cv_show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

img = cv2.imread('images/test2.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

cv_show('gray',gray)
#得到特征点
sift = cv2.xfeatures2d.SIFT_create()
kp = sift.detect(gray,None)

img = cv2.drawKeypoints(gray,kp,img)
cv_show('keyPoint',img)

# 计算特征
kp, des = sift.compute(gray, kp)
print(np.array(kp).shape)

print(des.shape)

print(des[0])
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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
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