概述

OpenCV 是一個跨平臺的計算機視覺庫, 支持多語言, 功能強大. 今天小白就帶大家一起攜手走進 OpenCV 的世界. (第 24 課)

圖像尺度空間

在一定的范圍內, 無論物體是大還是小, 人眼都可以分辨出來. 而計算機要有相同的能力卻很難, 所以要讓機器能夠對物體在不同尺度下有一個統一的認知, 就需要考慮圖像在不同的尺度下都存在的特點.

多分辨率金字塔

使用高斯模糊, 不同的 σ 決定了圖像的平滑程度, 越大的 σ 值對應的圖像越模糊. 通過使用不同的 σ 我們可以實現多分辨率金字塔.

高斯模糊:

cv2.GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)

• src: 需要濾波的圖片
• ksize: 卷積核大小
• sigmaX: 高斯核函數在 X 方向的的標準偏差
• sigmaY: 高斯核函數在 Y 方向的的標準偏差

例子:

import cv2
from matplotlib import pyplot as plt

# 讀取圖片
img = cv2.imread("face.jpg")

# 畫圖
f, ax = plt.subplots(2, 3, figsize=(12, 8))
ax[0, 0].imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
ax[0, 0].set_title("original")
ax[0, 0].set_xticks([])
ax[0, 0].set_yticks([])


# 高斯模糊
for i in range(1, 6):

    # 高斯模糊
    image_blur = cv2.GaussianBlur(img, (15, 15), i)

    # 計算子圖
    ax[int(i/3), i % 3].imshow(cv2.cvtColor(image_blur, cv2.COLOR_BGR2RGB))

    # 標題
    ax[int(i/3), i % 3].set_title("σ" + str(i))
    ax[int(i/3), i % 3].set_xticks([])
    ax[int(i/3), i % 3].set_yticks([])

# 展示圖片
plt.show()

輸出結果:

高斯差分金字塔

DoG (Difference of Gaussian) 即高斯差分金字塔, 是在高斯金字塔的基礎上構建起來的. 通過對高斯金字塔逐層相減, 得到 t-1 的高斯差分金字塔:

計算極值點

DoG 空間極值檢測: 將每個像素點和同一層周圍的 8 個像素點以及上下兩層的 18 個像素點, 共 26 個像素點進行比較. 如果一像素點大于或小于鄰近的 26 個像素點的時候, 就成為了極值點.

SIFT 算法

SIFT (Scale Invariant Feature Transform), 即尺度不變特征變換匹配算法. SIFT 算法對于旋轉和尺度具有不變性.

函數

實例化 SHIFT 算法:

cv2.SIFT_create()

獲取特征點:

sift.detect(img_gray, None)

繪制特征點:

cv2.drawKeypoints(image, keypoints, outImage, color=None, flags=None)

• image: 輸入圖像
• keypoints: 特征點
• outImage: 輸出圖像

將特征點轉換為128 維的向量:

sift.compute(img, kp)

實戰

例子:

import numpy as np
import cv2

# 讀取圖片
img = cv2.imread("face.jpg")
key_points = img.copy()

# 實例化SIFT算法
sift = cv2.SIFT_create()

# 得到特征點
kp = sift.detect(img, None)
print(np.array(kp).shape)

# 繪制特征點
cv2.drawKeypoints(img, kp, key_points)

# 圖片展示
cv2.imshow("key points", key_points)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 保存圖片
cv2.imwrite("key_points.jpg", key_points)

# 計算特征
kp, des = sift.compute(img, kp)

# 調試輸出
print(des.shape)
print(des[0])

輸出結果:

(2183,)
(2183, 128)
[ 9. 18. 1. 0. 0. 0. 10. 8. 11. 18. 7. 34. 37. 14.
31. 11. 15. 6. 33. 50. 26. 9. 8. 10. 2. 1. 77. 94.
72. 17. 2. 5. 20. 44. 4. 1. 0. 0. 0. 0. 37. 63.
34. 128. 53. 4. 1. 1. 144. 11. 8. 56. 45. 25. 9. 63.
20. 1. 5. 22. 144. 144. 8. 18. 16. 3. 0. 0. 0. 0.
0. 2. 49. 7. 2. 17. 80. 35. 0. 9. 144. 39. 1. 5.
44. 19. 1. 12. 47. 9. 0. 0. 144. 126. 1. 2. 8. 0.
0. 0. 0. 0. 0. 1. 34. 2. 0. 0. 60. 25. 0. 5.
144. 38. 0. 0. 39. 14. 0. 2. 61. 13. 0. 0. 144. 50.
0. 0.]

到此這篇關于OpenCV半小時掌握基本操作之SIFT算法的文章就介紹到這了,更多相關OpenCV SIFT內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！