python 提取图像特征点 并 用四叉树均匀化特征点

提取图像特征点可以使用各种算法，比如SIFT、SURF、ORB等。以下是使用SIFT算法提取图像特征点的示例代码：

import cv2

img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

sift = cv2.xfeatures2d.SIFT_create()
kp = sift.detect(gray, None)

img_kp = cv2.drawKeypoints(img, kp, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imshow('image with keypoints', img_kp)
cv2.waitKey(0)

四叉树均匀化特征点是一种优化方法，可以将不均匀分布的特征点均匀地分布在图像中。以下是使用四叉树均匀化特征点的示例代码：

import cv2
import numpy as np

img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

sift = cv2.xfeatures2d.SIFT_create()
kp = sift.detect(gray, None)

xy = np.array([p.pt for p in kp], dtype=np.float32)
kdtree = cv2.ml.KDTree_create()
kdtree.train(xy)

min_distance = 10
max_points = 20
new_kp = []
for p in kp:
    nn = kdtree.findNearest(np.array([p.pt], dtype=np.float32), max_points)[1][0]
    if len(nn) < max_points:
        continue
    dists = np.sqrt(np.sum((nn - p.pt)**2, axis=1))
    if np.min(dists) > min_distance:
        new_kp.append(p)

img_kp = cv2.drawKeypoints(img, new_kp, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imshow('image with keypoints', img_kp)
cv2.waitKey(0)

在这个示例代码中，我们使用KDTree来查找每个特征点的最近邻点，并且只保留最近邻点距离大于一定值的特征点。这样可以保证特征点在图像中均匀分布。