十五天掌握OpenCV——SURF算法（Speeded-Up Robust Features）收费算法

原理

1. 加速稳健特征算法：加速版的SIFT。
2. SURF使用盒子滤波器(box_filter)对LoG进行近似。
3. 盒子滤波器优点：进行卷积计算时可利用积分图像。
4. 积分图像特点：计算图像中某个窗口内所有像素和时，计算量大小和窗口大小无关。提高计算图像梯度的效率。
5. SURF算法计算关键点的尺度与位置也依赖于Hessian矩阵行列式。
6. U-SURF算法：不确定方向，进一步提速，保持+/-15°旋转稳定性。OpenCV支持此模式，upright=0计算方向，upright=1不计算方向。
7. 生成特征点的特征矢量：计算图像的Haar小波响应。在矩形区域内，以特征点为中心，沿主方向将20×20的图像划分成4×4个子块。描述符长度64，降低维度以加速计算与匹配，提供更易区分的特征。
8. SURF提供加强版128维的特征描述符，以增加特征点的独特性。在不增加计算复杂度情况下，特征就加倍。OpenCV参数extended为1 时128维，0时64维，默认128维。
9. 检测特征点：使用Hessian矩阵行列式，计算得出Hessian矩阵的迹，迹为对角元素和。
10. 特征点按亮度分为两种：一种是特征点迹周围小邻域的亮度比背景区域要亮，Hessian矩阵的迹为正；另一种是特征点迹周围小邻域的亮度比背景区域要暗，Hessian矩阵的迹为负。先对特征点的迹进行比较，若同号，特征点具有相同对比度；若异号，特征点的对比度不同，放弃特征点之间的后续相似性度量。
11. 两个特征点描述子的相似性度量：利用欧式距离计算。
12. SURF算法对每一步进行优化来提高速度，SURF速度是SIFT的3倍。
13. SURF算法善于处理具有模糊和旋转的图像，但不善于处理视角变化和光照变化。

OpenCV中的SURF算法

1. SURF对象：可选参数，64/128维描述符，Upright / Normal模式。
2. SURF.detect() SURF.compute() ——解释：进行关键点混合和描述。

代码演示

#coding=utf-8
import cv2
import numpy as np
from matplotlib import pyplot as plt

img=cv2.imread('./image2/mario.jpg',0)
# surf=cv2.SURF(400)   #Hessian阈值400
# kp,des=surf.detectAndCompute(img,None)
# leng=len(kp)
# print(leng)
# 关键点太多，重取阈值

surf=cv2.SURF(50000)   #Hessian阈值50000
kp,des=surf.detectAndCompute(img,None)
leng=len(kp)
print(leng)

img2=cv2.drawKeypoints(img,kp,None,(255,0,0),4)
plt.imshow(img2)
plt.show()

# 下面是U-SURF算法,关键点朝向一致，运算速度加快。
surf.upright=True
kp=surf.detect(img,None)
img3=cv2.drawKeypoints(img,kp,None,(255,0,0),4)

plt.imshow(img3)
plt.show()

#检测关键点描述符大小，改64维成128维
surf.extended=True
kp,des=surf.detectAndCompute(img,None)
dem1=surf.descriptorSize()
print(dem1)
shp1=des.shape()
print(shp1)