当前位置：首页 > news >正文

【OpenCV】13 特征检测、匹配与图像查找

news 2025/10/21 14:15:11

一、特征检测

应用场景

图像搜索：通过提取图像的特征点进行搜索，提高搜索效率。
拼图游戏：通过特征查找，减少搜索范围，提高拼图效率。
图片拼接：通过特征点检测，实现多张图片的拼接，例如生成全景图像。

拼图方法

寻找特征
特征是唯一的
可追踪的
能比较的

图像特征

图像特征是有意义的图像区域，具有独特性和易识别性。
角点、斑点及高密度区域都是明显的特征。
特征必须是独立、可识别和可比较的。

角点

在特征中，最重要的就是角点

灰度梯度的最大值对应的像素
两条线的交点
极值点（一阶导数的最大值，但二阶导数为零）

一、Harris角点检测 cornerHarris

Harris角点检测是一种常用的角点检测方法，将角点检测分为三种情况：平坦区域、边沿和角点。

光滑地区，无论向哪里移动，衡量系数不变
边缘地址，垂直边缘移动时，衡量系统变化剧烈
在交点处，往那个方向移动，衡量系统都变化剧烈

import cv2
import numpy as npblockSize = 2 # 检测窗口大小
ksize = 3     # Sobel的卷积核
k = 0.04      # 权重系数，经验值，一般取 0.02 ~ 0.04img = cv2.imread('img/chess.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
dst = cv2.cornerHarris(gray, blockSize, ksize, k)## Harris角点的展示
img[dst > 0.01 * dst.max()] = [0, 0, 255]cv2.imshow('harris', img)
cv2.waitKey(0)

二、Shi-Tomasi角点检测 goodFeaturesToTrack

Shi-Tomasi是Harris角点检测的改进
Harris角点检测的稳定性和k有关，而k是个经验值，不好设定最佳值。

import cv2
import numpy as np# Shi-Tomasi
maxCorners = 0
ql = 0.01
minDistance = 20img = cv2.imread('img/chess.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
corners = cv2.goodFeaturesToTrack(gray, maxCorners, ql, minDistance)
corners = corners.astype(np.int32)# 角点的展示
for i in corners:x, y = i.ravel()cv2.circle(img, (x,y), 3, (0, 0, 255), -1)cv2.imshow('Shi-Tomasi', img)
cv2.waitKey(0)

三、SIFT

SIFT关键点检测 detect

Harris角点的判断会受到图片缩放影响。
例如下图中，原本的角点放大后，就检测不到了

import cv2
import numpy as np# 读文件
img = cv2.imread('img/chess.jpg')# 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建SIFT对象
sift = cv2.xfeatures2d.SIFT_create()# 进行检测
kp = sift.detect(gray, None)# 绘制keypoints
cv2.drawKeypoints(gray, kp, img)cv2.imshow('SIFT', img)
cv2.waitKey(0)

计算描述子 detectAndCompute

关键点：位置、大小和方向
关键点描述子：记录关键点周围对其有贡献的像素点的一组向量值，其不受仿射变换、光照变换等影响

import cv2
import numpy as np# 读文件
img = cv2.imread('img/chess.jpg')# 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建SIFT对象
sift = cv2.xfeatures2d.SIFT_create()# 进行检测
kp, des = sift.detectAndCompute(gray, None)
print(des[0])# 绘制keypoints
cv2.drawKeypoints(gray, kp, img)cv2.imshow('SIFT', img)
cv2.waitKey(0)

四、SURF

SIFT最大的问题是速度慢，因此才有SURF。

如下代码运行会报错，因为这个算法是专利算法，要配置比较麻烦。
这里就不折腾了，只把教程中的代码贴在下面。

import cv2
import numpy as np# 读文件
img = cv2.imread('img/chess.jpg')# 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建SURF对象
surf = cv2.xfeatures2d.SURF_create()# 进行检测
kp, des = surf.detectAndCompute(gray, None)
print(des[0])# 绘制keypoints
cv2.drawKeypoints(gray, kp, img)cv2.imshow('SURF', img)
cv2.waitKey(0)

五、ORB特征检测

ORB = Oriented FAST + Rotated BRIEF
ORB可以做到实时检测

import cv2
import numpy as np# 读文件
img = cv2.imread('img/chess.jpg')# 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建ORB对象
orb = cv2.ORB_create()# 进行检测
kp, des = orb.detectAndCompute(gray, None)
print(des[0])# 绘制keypoints
cv2.drawKeypoints(gray, kp, img)cv2.imshow('ORB', img)
cv2.waitKey(0)

二、特征匹配

暴力特征匹配

使用第一组中的每个特征的描述子，与第二组中的所有特征描述子进行匹配。
计算它们之间的差距，然后将最接近的一个匹配返回。

import cv2
import numpy as np# 读文件
img1 = cv2.imread('img/dog2.jpg')
img2 = cv2.imread('img/dog.jpg')# 灰度化
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)# 创建SIFT对象
sift = cv2.xfeatures2d.SIFT_create()# 进行特征点检测
kp1, des1 = sift.detectAndCompute(gray1, None)
kp2, des2 = sift.detectAndCompute(gray2, None)# 创建匹配器
bf = cv2.BFMatcher(cv2.NORM_L1)# 匹配
match = bf.match(des1, des2)# 绘制
img3 = cv2.drawMatches(img1, kp1, img2, kp2, match, None)cv2.imshow('img3', img3)
cv2.waitKey(0)

FLANN 特征匹配

进行批量特征匹配时，FLANN速度更快
由于使用邻近近似值，精度较差

import cv2
import numpy as np# 读文件
img1 = cv2.imread('img/dog2.jpg') # search
img2 = cv2.imread('img/dog.jpg')    # origin# 灰度化
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)# 创建SIFT特征检测器
sift = cv2.xfeatures2d.SIFT_create()# 进行特征点检测
kp1, des1 = sift.detectAndCompute(gray1, None)
kp2, des2 = sift.detectAndCompute(gray2, None)# 创建匹配器
index_params = dict(algorithm=1, trees=5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)# 对描述子进行匹配计算
matchs = flann.knnMatch(des1, des2, k=2)good = []
for i, (m, n) in enumerate(matchs):if m.distance < 0.7 * n.distance:good.append(m)# 绘制
img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, [good], None)cv2.imshow('img3', img3)
cv2.waitKey(0)

三、图像查找

import cv2
import numpy as np# 读文件
img1 = cv2.imread('img/dog2.jpg') # search
img2 = cv2.imread('img/dog.jpg')    # origin# 灰度化
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)# 创建SIFT特征检测器
sift = cv2.xfeatures2d.SIFT_create()# 进行特征点检测
kp1, des1 = sift.detectAndCompute(gray1, None)
kp2, des2 = sift.detectAndCompute(gray2, None)# 创建匹配器
index_params = dict(algorithm=1, trees=5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)# 对描述子进行匹配计算
matchs = flann.knnMatch(des1, des2, k=2)good = []
for i, (m, n) in enumerate(matchs):if m.distance < 0.7 * n.distance:good.append(m)if len(good) >= 4:srcPts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1, 1, 2)dstPts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1, 1, 2)H, _ = cv2.findHomography(srcPts, dstPts, cv2.RANSAC, 5.0)h, w = img1.shape[:2]pts = np.float32([[0, 0], [0, h-1], [w-1, h-1], [w-1, 0]]).reshape(-1, 1, 2)dst = cv2.perspectiveTransform(pts, H)cv2.polylines(img2, [np.int32(dst)], True, (0, 0, 255))
else:print('the number of good is less than 4.')exit()# 绘制
img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, [good], None)cv2.imshow('img3', img3)
cv2.waitKey(0)

查看全文

http://www.hskmm.com/?act=detail&tid=35757