Python使用Opencv实现图像特征检测与匹配的方法_python图像匹配

5星 · 超过95%的资源 54 浏览量更新于2023-03-03 评论 5 收藏 1.96MB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

Python使用使用Opencv实现图像特征检测与匹配的方法实现图像特征检测与匹配的方法

主要介绍了Python使用Opencv实现图像特征检测与匹配的方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的

朋友们下面随着小编来一起学习学习吧

特征检测是计算机对一张图像中最为明显的特征进行识别检测并将其勾画出来。大多数特征检测都会涉及图像的角点、边和斑点的识别、或者是物体的对称轴。

角点检测角点检测是由Opencv的cornerHarris函数实现，其他函数参数说明如下：

cv2.cornerHarris(src=gray, blockSize=9, ksize=23, k=0.04)

# cornerHarris参数：

# src - 数据类型为 float32 的输入图像。

# blockSize - 角点检测中要考虑的领域大小。

# ksize - Sobel 求导中使用的窗口大小

# k - Harris 角点检测方程中的自由参数,取值参数为 [0,04,0.06].

以国际象棋为例，这是计算机视觉最为常见的分析对象，如图所示：

角点检测代码如下：

import cv2

import numpy as np

img = cv2.imread('chess_board.png')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# cornerHarris函数图像格式为 float32 ，因此需要将图像转换 float32 类型

gray = np.float32(gray)

# cornerHarris参数：

# src - 数据类型为 float32 的输入图像。

# blockSize - 角点检测中要考虑的领域大小。

# ksize - Sobel 求导中使用的窗口大小

# k - Harris 角点检测方程中的自由参数,取值参数为 [0,04,0.06].

dst = cv2.cornerHarris(src=gray, blockSize=9, ksize=23, k=0.04)

# 变量a的阈值为0.01 * dst.max()，如果dst的图像值大于阈值，那么该图像的像素点设为True，否则为False

# 将图片每个像素点根据变量a的True和False进行赋值处理，赋值处理是将图像角点勾画出来

a = dst>0.01 * dst.max()

img[a] = [0, 0, 255]

# 显示图像

while (True):

cv2.imshow('corners', img)

if cv2.waitKey(120) & 0xff == ord("q"):

break

cv2.destroyAllWindows()

运行代码，结果如图所示：

除了SIFT算法检测之外，还有SURF特征检测算法特征检测算法，比SIFT算法快，并吸收了SIFT算法的思想。SURF采用Hessian算法检测关键点，而SURF是提取特征，这个与SIFT很

像。Opencv的的SURF类是类是Hessian算法和算法和SURF算法组合算法组合。我们根据SIFT的代码进行修改，代码如下：

import cv2

# 读取图片并灰度处理

imgpath = 'varese.jpg'

img = cv2.imread(imgpath)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 创建SURF对象，对象参数float(4000)为阈值，阈值越高，识别的特征越小。

sift = cv2.xfeatures2d.SURF_create(float(4000))

# 将图片进行SURF计算，并找出角点keypoints，keypoints是检测关键点

# descriptor是描述符，这是图像一种表示方式，可以比较两个图像的关键点描述符，可作为特征匹配的一种方法。

keypoints, descriptor = sift.detectAndCompute(gray, None)

# cv2.drawKeypoints() 函数主要包含五个参数：

# image: 原始图片

# keypoints：从原图中获得的关键点，这也是画图时所用到的数据

# outputimage：输出

# color：颜色设置，通过修改（b,g,r）的值,更改画笔的颜色，b=蓝色，g=绿色，r=红色。

# flags：绘图功能的标识设置，标识如下：

# cv2.DRAW_MATCHES_FLAGS_DEFAULT 默认值

# cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS

# cv2.DRAW_MATCHES_FLAGS_DRAW_OVER_OUTIMG

# cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS

img = cv2.drawKeypoints(image=img, outImage=img, keypoints = keypoints, flags=cv2.DRAW_MATCHES_FLAGS_DEFAULT, color = (51, 163, 236))

# 显示图片

cv2.imshow('sift_keypoints', img)

while (True):

if cv2.waitKey(120) & 0xff == ord("q"):

break

cv2.destroyAllWindows()

上述代码我们只修改sift = cv2.xfeatures2d.SURF_create(float(4000)) 即可实现SURF特征检测算法。运行结果如图所示：

对比SURF和SIFT算法，ORB算法更处于起步阶段，在2011年才首次发布。但比前两者的速度更快。ORB基于FAST关键点检测和BRIEF的描述符技术相结合，因此我们先了解

FAST和BRIEF。

FAST：特征检测算法。

BRIEF：只是一个描述符，这是图像一种表示方式，可以比较两个图像的关键点描述符，可作为特征匹配的一种方法。

暴力匹配暴力匹配：比较两个描述符并产生匹配结果。

在上述的例子中，我们只是将检测的关键点进行勾画，在这例子中，将使用ORB检测关键点之外，还将两图进行匹配，匹配的图像如下：

剩余10页未读，继续阅读

王佛伟

2023-07-26

文件中的示例代码很实用，能够帮助我更好地理解图像特征检测与匹配的原理和实现方法。

weixin_38750007

粉丝: 4
资源: 921

会员权益专享

Python使用Opencv实现图像特征检测与匹配的方法

评论5

会员权益专享

最新资源

Python使用Opencv实现图像特征检测与匹配的方法

评论5

python+opencv实现图像模板匹配

BOF图像匹配-Python代码-计算机视觉

opencv简单图像拼接源码（Python版）

python利用opencv实现sift特征提取与匹配_python

opencv python 点特征提取与匹配

python-opencv表面缺陷检测（模式识别）

opencv实现图像拼接

python opencv使用模板匹配实现视频的目标检测

java opencv图片匹配_使用openCV匹配图像

python＋opencv计算机视觉

OpenCV Python图像对齐

python 最快的图像匹配

python opencv3 基于ORB的特征检测和 BF暴力匹配 knn匹配 flann匹配

1分 python+opencv实现全景拼接.tar

关于python和opencv的特征匹配。

python opencv 图像对比

opencv图像拼接python，并将特征匹配图展示

python opencv图像处理

opencv-python与opencv-contrib的区别

利用python，opencv实现图像拼接与融合，以及黑边处理

会员权益专享

最新资源