介紹在本文中,我將討論使用 OpenCV 進(jìn)行圖像特征檢測(cè)、描述和特征匹配的各種算法。首先,讓我們看看什么是計(jì)算機(jī)視覺,OpenCV 是一個(gè)開源計(jì)算機(jī)視覺庫。當(dāng)人類看到這張圖片時(shí)會(huì)發(fā)生什么?

他將能夠識(shí)別圖像中的面孔。因此,簡(jiǎn)單來說,計(jì)算機(jī)視覺就是讓計(jì)算機(jī)能夠像人類一樣查看和處理視覺數(shù)據(jù)。計(jì)算機(jī)視覺涉及分析圖像以產(chǎn)生有用的信息。

什么是特征?當(dāng)你看到芒果圖像時(shí),如何識(shí)別它是芒果?通過分析顏色、形狀和質(zhì)地,你可以說它是芒果。用于識(shí)別圖像的線索稱為圖像的特征。同樣,計(jì)算機(jī)視覺的功能是檢測(cè)圖像中的各種特征。我們將討論 OpenCV 庫中用于檢測(cè)特征的一些算法。

1． 特征檢測(cè)算法

1．1 Harris角點(diǎn)檢測(cè)Harris角點(diǎn)檢測(cè)算法用于檢測(cè)輸入圖像中的角點(diǎn)。該算法有三個(gè)主要步驟。確定圖像的哪個(gè)部分的強(qiáng)度變化很大,因?yàn)榻锹涞膹?qiáng)度變化很大。它通過在整個(gè)圖像中移動(dòng)一個(gè)滑動(dòng)窗口來實(shí)現(xiàn)這一點(diǎn)。對(duì)于識(shí)別的每個(gè)窗口,計(jì)算一個(gè)分值 R。對(duì)分?jǐn)?shù)應(yīng)用閾值并標(biāo)記角點(diǎn)。這是該算法的 Python 實(shí)現(xiàn)。

import cv2
import numpy as np
imput_img = 'det_1．jpg'
ori = cv2．imread(imput_img)
image = cv2．imread(imput_img)
gray = cv2．cvtColor(image,cv2．COLOR_BGR2GRAY)
gray = np．float32(gray)
dst = cv2．cornerHarris(gray,2,3,0．04)
dst = cv2．dilate(dst,None)
image[dst>0．01*dst．max()]=[0,0,255]
cv2．imshow('Original',ori)
cv2．imshow('Harris',image)
if cv2．waitKey(0) & 0xff == 27:
   cv2．destroyAllWindows()
這是輸出。

1．2 Shi-Tomasi 角點(diǎn)檢測(cè)器

這是另一種角點(diǎn)檢測(cè)算法。它的工作原理類似于哈里斯角檢測(cè)。這里唯一的區(qū)別是 R 值的計(jì)算。該算法還允許我們找到圖像中最好的 n 個(gè)角。讓我們看看 Python 的實(shí)現(xiàn)。import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2．imread('det_1．jpg')
ori = cv2．imread('det_1．jpg')
gray = cv2．cvtColor(img,cv2．COLOR_BGR2GRAY)
corners = cv2．goodFeaturesToTrack(gray,20,0．01,10)
corners = np．int0(corners)
for i in corners:
   x,y = i．ravel()
   cv2．circle(img,(x,y),3,255,-1)
cv2．imshow('Original', ori)
cv2．imshow('Shi-Tomasi', img)
cv2．waitKey(0)
cv2．destroyAllWindows()
這是 Shi-Tomasi 算法的輸出。這里檢測(cè)到前 20 個(gè)角。

下一個(gè)是尺度不變特征變換。

1．3 尺度不變特征變換(SIFT)SIFT 

用于檢測(cè)角、斑點(diǎn)、圓等。它還用于縮放圖像。

考慮這三個(gè)圖像。盡管它們?cè)陬伾�、旋轉(zhuǎn)和角度上有所不同,但你知道這是芒果的三種不同圖像。計(jì)算機(jī)如何能夠識(shí)別這一點(diǎn)?在這種情況下,Harris 角點(diǎn)檢測(cè)和 Shi-Tomasi 角點(diǎn)檢測(cè)算法都失敗了。但 SIFT 算法在這里起著至關(guān)重要的作用。它可以從圖像中檢測(cè)特征,而不管其大小和方向。讓我們實(shí)現(xiàn)這個(gè)算法。import numpy as np
import cv2 as cv
ori = cv．imread('det_1．jpg')
img = cv．imread('det_1．jpg')
gray = cv．cvtColor(img,cv．COLOR_BGR2GRAY)
sift = cv．SIFT_create()
kp, des = sift．detectAndCompute(gray,None)
img=cv．drawKeypoints(gray,kp,img,flags=cv．DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv．imshow('Original',ori)
cv．imshow('SIFT',image)
if cv．waitKey(0) & 0xff == 27:
   cv．destroyAllWindows()
輸出如下所示。

你可以看到圖像中有一些線條和圓圈。特征的大小和方向分別用圓圈和圓圈內(nèi)的線表示。我們將看到下一個(gè)特征檢測(cè)算法。

1．4 加速魯棒特征(SURF)

SURF算法只是SIFT的升級(jí)版。以下是代碼實(shí)現(xiàn):import numpy as np
import cv2 as cv
ori =cv．imread('/content/det1．jpg')
img = cv．imread('/content/det1．jpg')
surf = cv．xfeatures2d．SURF_create(400)
kp, des = surf．detectAndCompute(img,None)
img2 = cv．drawKeypoints(img,kp,None,(255,0,0),4)
cv．imshow('Original', ori)
cv．imshow('SURF', img2)

接下來,我們將看到如何提取另一個(gè)名為 bob 的特征。

2． 斑點(diǎn)檢測(cè)BLOB 

代表二進(jìn)制大對(duì)象。它指的是特定二值圖像中具有共同屬性的一組連接像素或區(qū)域。這些區(qū)域是 OpenCV 中的輪廓,具有一些額外的特征,如質(zhì)心、顏色、面積、均值和覆蓋區(qū)域中像素值的標(biāo)準(zhǔn)差。以下是代碼實(shí)現(xiàn):import cv2
import numpy as np;
ori = cv2．imread('det_1．jpg')
im = cv2．imread("det_1．jpg", cv2．IMREAD_GRAYSCALE)
detector = cv2．SimpleBlobDetector_create()
keypoints = detector．detect(im)
im_with_keypoints = cv2．drawKeypoints(im, keypoints, np．a(chǎn)rray([]), (0,0,255), cv2．DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2．imshow('Original',ori)
cv2．imshow('BLOB',im_with_keypoints)
if cv2．waitKey(0) & 0xff == 27:
   cv2．destroyAllWindows()
讓我們看看輸出。在這里,斑點(diǎn)被很好地檢測(cè)到。

現(xiàn)在,讓我們進(jìn)入特征描述符算法。

3． 特征描述符算法

特征通常是圖像中的不同點(diǎn),描述符給出特征,因此它描述了所考慮的關(guān)鍵點(diǎn)。它提取該點(diǎn)周圍的局部鄰域,從而創(chuàng)建局部圖像塊并計(jì)算來自該局部塊的特征。3．1 定向梯度直方圖(HoG)在深度學(xué)習(xí)出現(xiàn)之前,HoG 是對(duì)象檢測(cè)應(yīng)用中最突出的特征描述符之一。HoG 是一種用于計(jì)算圖像局部中梯度方向出現(xiàn)的技術(shù)。讓我們實(shí)現(xiàn)這個(gè)算法。from skimage．feature import hog
import cv2
ori = cv2．imread('/content/det1．jpg')
img = cv2．imread("/content/det1．jpg")
_, hog_image = hog(img, orientations=8, pixels_per_cell=(16, 16),
                   cells_per_block=(1, 1), visualize=True, multichannel=True)
cv2．imshow('Original', ori)
cv2．imshow('HoG', hog_image)

下一個(gè)是BRIEF。

3．2 二元魯棒獨(dú)立基本特征(BRIEF)

Brief 是流行的 SIFT 描述符的替代品,它們計(jì)算速度更快,更緊湊。讓我們看看它的實(shí)現(xiàn)。import numpy as np
import cv2 as cv
ori = cv．imread('/content/det1．jpg')
img = cv．imread('/content/det1．jpg',0)
star = cv．xfeatures2d．StarDetector_create()
brief = cv．xfeatures2d．BriefDescriptorExtractor_create()
kp = star．detect(img,None)
kp, des = brief．compute(img, kp)
print( brief．descriptorSize() )
print( des．shape )
img2 = cv．drawKeypoints(img, kp, None, color=(0, 255, 0), flags=0)
cv．imshow('Original', ori)
cv．imshow('BRIEF', img2)
這是結(jié)果。

3．3 定向快速旋轉(zhuǎn)簡(jiǎn)報(bào) (ORB)

ORB 是一種一次性面部識(shí)別算法。它目前正在你的手機(jī)和應(yīng)用程序中使用,例如 Google 照片,你可以在其中對(duì)人進(jìn)行分組,你看到的圖像是根據(jù)人分組的。這個(gè)算法不需要任何主要的計(jì)算。它不需要GPU。快速而簡(jiǎn)短。它適用于關(guān)鍵點(diǎn)匹配。圖像中不同區(qū)域的關(guān)鍵點(diǎn)匹配,如強(qiáng)度變化。下面是這個(gè)算法的實(shí)現(xiàn)。import numpy as np
import cv2
ori = cv2．imread('/content/det1．jpg')
img = cv2．imread('/content/det1．jpg', 0)
orb = cv2．ORB_create(nfeatures=200)
kp = orb．detect(img, None)
kp, des = orb．compute(img, kp)
img2 = cv2．drawKeypoints(img, kp, None, color=(0, 255, 0), flags=0)
cv2．imshow('Original', ori)
cv2．imshow('ORB', img2)
這是輸出。

現(xiàn)在,讓我們看看特征匹配。

4． 特征匹配

特征匹配就像比較兩個(gè)圖像的特征,這兩個(gè)圖像可能在方向、視角、亮度上不同,甚至大小和顏色也不同。讓我們看看它的實(shí)現(xiàn)。import cv2
img1 = cv2．imread('/content/det1．jpg', 0)
img2 = cv2．imread('/content/88．jpg', 0)
orb = cv2．ORB_create(nfeatures=500)
kp1, des1 = orb．detectAndCompute(img1, None)
kp2, des2 = orb．detectAndCompute(img2, None)
bf = cv2．BFMatcher(cv2．NORM_HAMMING, crossCheck=True)
matches = bf．match(des1, des2)
matches = sorted(matches, key=lambda x: x．distance)
match_img = cv2．drawMatches(img1, kp1, img2, kp2, matches[:50], None)
cv2．imshow('original image', img1)
cv2．imshow('test image', img2)
cv2．imshow('Matches', match_img)
cv2．waitKey()
這是這個(gè)算法的結(jié)果。

尾注我希望你喜歡這篇文章。我已經(jīng)簡(jiǎn)要介紹了各種特征檢測(cè)、描述和特征匹配技術(shù)。上述技術(shù)用于對(duì)象檢測(cè)、對(duì)象跟蹤和對(duì)象分類應(yīng)用。當(dāng)你開始練習(xí)時(shí),真正的樂趣就開始了。所以,開始練習(xí)這些算法,在實(shí)際項(xiàng)目中實(shí)現(xiàn)它們,看看其中的樂趣。保持學(xué)習(xí)。