溫馨提示×
您好，登錄后才能下訂單哦！
點(diǎn)擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
特征檢測是計(jì)算機(jī)對一張圖像中最為明顯的特征進(jìn)行識別檢測并將其勾畫出來。大多數(shù)特征檢測都會(huì)涉及圖像的角點(diǎn)、邊和斑點(diǎn)的識別、或者是物體的對稱軸。
角點(diǎn)檢測 是由Opencv的cornerHarris函數(shù)實(shí)現(xiàn)，其他函數(shù)參數(shù)說明如下：
cv2.cornerHarris(src=gray, blockSize=9, ksize=23, k=0.04) # cornerHarris參數(shù)： # src - 數(shù)據(jù)類型為 float32 的輸入圖像。 # blockSize - 角點(diǎn)檢測中要考慮的領(lǐng)域大小。 # ksize - Sobel 求導(dǎo)中使用的窗口大小 # k - Harris 角點(diǎn)檢測方程中的自由參數(shù),取值參數(shù)為 [0,04,0.06].
以國際象棋為例，這是計(jì)算機(jī)視覺最為常見的分析對象，如圖所示：
角點(diǎn)檢測代碼如下：
import cv2
import numpy as np
img = cv2.imread('chess_board.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# cornerHarris函數(shù)圖像格式為 float32 ，因此需要將圖像轉(zhuǎn)換 float32 類型
gray = np.float32(gray)
# cornerHarris參數(shù)：
# src - 數(shù)據(jù)類型為 float32 的輸入圖像。
# blockSize - 角點(diǎn)檢測中要考慮的領(lǐng)域大小。
# ksize - Sobel 求導(dǎo)中使用的窗口大小
# k - Harris 角點(diǎn)檢測方程中的自由參數(shù),取值參數(shù)為 [0,04,0.06].
dst = cv2.cornerHarris(src=gray, blockSize=9, ksize=23, k=0.04)
# 變量a的閾值為0.01 * dst.max()，如果dst的圖像值大于閾值，那么該圖像的像素點(diǎn)設(shè)為True，否則為False
# 將圖片每個(gè)像素點(diǎn)根據(jù)變量a的True和False進(jìn)行賦值處理，賦值處理是將圖像角點(diǎn)勾畫出來
a = dst>0.01 * dst.max()
img[a] = [0, 0, 255]
# 顯示圖像
while (True):
cv2.imshow('corners', img)
if cv2.waitKey(120) & 0xff == ord("q"):
break
cv2.destroyAllWindows()
運(yùn)行代碼，結(jié)果如圖所示：
但有時(shí)候，圖像的像素大小對角點(diǎn)存在一定的影響。比如圖像越小，角點(diǎn)看上去趨向近似一條直線，這樣很容易造成角點(diǎn)的丟失。如果按照上述的檢測方法，會(huì)造成角點(diǎn)檢測結(jié)果不相符，因此引入DoG和SIFT算法進(jìn)行檢測。Opencv的SIFT類是DoG和SIFT算法組合。
DoG是對同一圖像使用不同高斯濾波器所得的結(jié)果。
SIFT是通過一個(gè)特征向量來描述關(guān)鍵點(diǎn)周圍區(qū)域的情況。
我們以下圖為例：
import cv2
# 讀取圖片并灰度處理
imgpath = 'varese.jpg'
img = cv2.imread(imgpath)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 創(chuàng)建SIFT對象
sift = cv2.xfeatures2d.SIFT_create()
# 將圖片進(jìn)行SURF計(jì)算，并找出角點(diǎn)keypoints，keypoints是檢測關(guān)鍵點(diǎn)
# descriptor是描述符，這是圖像一種表示方式，可以比較兩個(gè)圖像的關(guān)鍵點(diǎn)描述符，可作為特征匹配的一種方法。
keypoints, descriptor = sift.detectAndCompute(gray, None)
# cv2.drawKeypoints() 函數(shù)主要包含五個(gè)參數(shù)：
# image: 原始圖片
# keypoints：從原圖中獲得的關(guān)鍵點(diǎn)，這也是畫圖時(shí)所用到的數(shù)據(jù)
# outputimage：輸出
# color：顏色設(shè)置，通過修改（b,g,r）的值,更改畫筆的顏色，b=藍(lán)色，g=綠色，r=紅色。
# flags：繪圖功能的標(biāo)識設(shè)置，標(biāo)識如下：
# cv2.DRAW_MATCHES_FLAGS_DEFAULT 默認(rèn)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))
# 顯示圖片
cv2.imshow('sift_keypoints', img)
while (True):
if cv2.waitKey(120) & 0xff == ord("q"):
break
cv2.destroyAllWindows()
運(yùn)行代碼，結(jié)果如圖所示：
除了SIFT算法檢測之外，還有SURF特征檢測算法，比SIFT算法快，并吸收了SIFT算法的思想。SURF采用Hessian算法檢測關(guān)鍵點(diǎn)，而SURF是提取特征，這個(gè)與SIFT很像。Opencv的SURF類是Hessian算法和SURF算法組合。我們根據(jù)SIFT的代碼進(jìn)行修改，代碼如下：
import cv2
# 讀取圖片并灰度處理
imgpath = 'varese.jpg'
img = cv2.imread(imgpath)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 創(chuàng)建SURF對象，對象參數(shù)float(4000)為閾值，閾值越高，識別的特征越小。
sift = cv2.xfeatures2d.SURF_create(float(4000))
# 將圖片進(jìn)行SURF計(jì)算，并找出角點(diǎn)keypoints，keypoints是檢測關(guān)鍵點(diǎn)
# descriptor是描述符，這是圖像一種表示方式，可以比較兩個(gè)圖像的關(guān)鍵點(diǎn)描述符，可作為特征匹配的一種方法。
keypoints, descriptor = sift.detectAndCompute(gray, None)
# cv2.drawKeypoints() 函數(shù)主要包含五個(gè)參數(shù)：
# image: 原始圖片
# keypoints：從原圖中獲得的關(guān)鍵點(diǎn)，這也是畫圖時(shí)所用到的數(shù)據(jù)
# outputimage：輸出
# color：顏色設(shè)置，通過修改（b,g,r）的值,更改畫筆的顏色，b=藍(lán)色，g=綠色，r=紅色。
# flags：繪圖功能的標(biāo)識設(shè)置，標(biāo)識如下：
# cv2.DRAW_MATCHES_FLAGS_DEFAULT 默認(rèn)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))
# 顯示圖片
cv2.imshow('sift_keypoints', img)
while (True):
if cv2.waitKey(120) & 0xff == ord("q"):
break
cv2.destroyAllWindows()
上述代碼我們只修改sift = cv2.xfeatures2d.SURF_create(float(4000))即可實(shí)現(xiàn)SURF特征檢測算法。運(yùn)行結(jié)果如圖所示：
對比SURF和SIFT算法，ORB算法更處于起步階段，在2011年才首次發(fā)布。但比前兩者的速度更快。ORB基于FAST關(guān)鍵點(diǎn)檢測和BRIEF的描述符技術(shù)相結(jié)合，因此我們先了解FAST和BRIEF。
FAST：特征檢測算法。
BRIEF：只是一個(gè)描述符，這是圖像一種表示方式，可以比較兩個(gè)圖像的關(guān)鍵點(diǎn)描述符，可作為特征匹配的一種方法。
暴力匹配：比較兩個(gè)描述符并產(chǎn)生匹配結(jié)果。
在上述的例子中，我們只是將檢測的關(guān)鍵點(diǎn)進(jìn)行勾畫，在這例子中，將使用ORB檢測關(guān)鍵點(diǎn)之外，還將兩圖進(jìn)行匹配，匹配的圖像如下：
實(shí)現(xiàn)方法：首先分別對兩圖進(jìn)行ORB處理，然后將兩圖的關(guān)鍵點(diǎn)進(jìn)行暴力匹配。具體代碼如下：
# ORB算法實(shí)現(xiàn)特征檢測+暴力匹配
import numpy as np
import cv2
from matplotlib import pyplot as plt
# 讀取圖片內(nèi)容
img1 = cv2.imread('aa.jpg',0)
img2 = cv2.imread('bb.png',0)
# 使用ORB特征檢測器和描述符，計(jì)算關(guān)鍵點(diǎn)和描述符
orb = cv2.ORB_create()
kp1, des1 = orb.detectAndCompute(img1,None)
kp2, des2 = orb.detectAndCompute(img2,None)
# 暴力匹配BFMatcher，遍歷描述符，確定描述符是否匹配，然后計(jì)算匹配距離并排序
# BFMatcher函數(shù)參數(shù)：
# normType：NORM_L1, NORM_L2, NORM_HAMMING, NORM_HAMMING2。
# NORM_L1和NORM_L2是SIFT和SURF描述符的優(yōu)先選擇，NORM_HAMMING和NORM_HAMMING2是用于ORB算法
bf = cv2.BFMatcher(normType=cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1,des2)
matches = sorted(matches, key = lambda x:x.distance)
# matches是DMatch對象，具有以下屬性：
# DMatch.distance - 描述符之間的距離。 越低越好。
# DMatch.trainIdx - 訓(xùn)練描述符中描述符的索引
# DMatch.queryIdx - 查詢描述符中描述符的索引
# DMatch.imgIdx - 訓(xùn)練圖像的索引。
# 使用plt將兩個(gè)圖像的匹配結(jié)果顯示出來
img3 = cv2.drawMatches(img1=img1,keypoints1=kp1,img2=img2,keypoints2=kp2, matches1to2=matches, outImg=img2, flags=2)
plt.imshow(img3),plt.show()
運(yùn)行結(jié)果如圖所示：
# SURF和SIFT算法+暴力匹配
暴力匹配BFMatcher是一種匹配方法，只要提供兩個(gè)關(guān)鍵點(diǎn)即可實(shí)現(xiàn)匹配。若將上述例子改為SURF和SIFT算法，只需修改以下代碼：
將orb = cv2.ORB_create()改為 orb = cv2.xfeatures2d.SURF_create(float(4000)) 將bf = cv2.BFMatcher(normType=cv2.NORM_HAMMING, crossCheck=True)改為 bf = cv2.BFMatcher(normType=cv2.NORM_L1, crossCheck=True)
# 獲取匹配關(guān)鍵點(diǎn)的坐標(biāo)位置
在上述例子中，matches是DMatch對象，DMatch是以列表的形式表示，每個(gè)元素代表兩圖能匹配得上的點(diǎn)。如果想獲取某個(gè)點(diǎn)的坐標(biāo)位置，在上述例子添加以下代碼：
# 由于匹配順序是：matches = bf.match(des1,des2)，先des1后des2。
# 因此，kp1的索引由DMatch對象屬性為queryIdx決定，kp2的索引由DMatch對象屬性為trainIdx決定
# 獲取aa.jpg的關(guān)鍵點(diǎn)位置
x,y = kp1[matches[0].queryIdx].pt
cv2.rectangle(img1, (int(x),int(y)), (int(x) + 5, int(y) + 5), (0, 255, 0), 2)
cv2.imshow('a', img1)
# 獲取bb.png的關(guān)鍵點(diǎn)位置
x,y = kp2[matches[0].trainIdx].pt
cv2.rectangle(img2, (int(x1),int(y1)), (int(x1) + 5, int(y1) + 5), (0, 255, 0), 2)
cv2.imshow('b', img2)
# 使用plt將兩個(gè)圖像的第一個(gè)匹配結(jié)果顯示出來
img3 = cv2.drawMatches(img1=img1,keypoints1=kp1,img2=img2,keypoints2=kp2, matches1to2=matches[:1], outImg=img2, flags=2)
plt.imshow(img3),plt.show()
運(yùn)行結(jié)果如圖所示：
上述講到的暴力匹配是使用BFMatcher匹配器實(shí)現(xiàn)的，然后由match函數(shù)實(shí)現(xiàn)匹配。接下來講解K-最近鄰匹配（KNN），并在BFMatcher匹配下實(shí)現(xiàn)。在所有機(jī)器學(xué)習(xí)的算法中，KNN可能是最為簡單的算法。針對上述例子，改為KNN匹配，實(shí)現(xiàn)代碼如下：
import numpy as np
import cv2
from matplotlib import pyplot as plt
# 讀取圖片內(nèi)容
img1 = cv2.imread('aa.jpg',0)
img2 = cv2.imread('bb.png',0)
# 使用ORB特征檢測器和描述符，計(jì)算關(guān)鍵點(diǎn)和描述符
orb = cv2.ORB_create()
kp1, des1 = orb.detectAndCompute(img1,None)
kp2, des2 = orb.detectAndCompute(img2,None)
# 暴力匹配BFMatcher，遍歷描述符，確定描述符是否匹配，然后計(jì)算匹配距離并排序
# BFMatcher函數(shù)參數(shù)：
# normType：NORM_L1, NORM_L2, NORM_HAMMING, NORM_HAMMING2。
# NORM_L1和NORM_L2是SIFT和SURF描述符的優(yōu)先選擇，NORM_HAMMING和NORM_HAMMING2是用于ORB算法
bf = cv2.BFMatcher(normType=cv2.NORM_HAMMING, crossCheck=True)
# knnMatch 函數(shù)參數(shù)k是返回符合匹配的個(gè)數(shù)，暴力匹配match只返回最佳匹配結(jié)果。
matches = bf.knnMatch(des1,des2,k=1)
# 使用plt將兩個(gè)圖像的第一個(gè)匹配結(jié)果顯示出來
# 若使用knnMatch進(jìn)行匹配，則需要使用drawMatchesKnn函數(shù)將結(jié)果顯示
img3 = cv2.drawMatchesKnn(img1=img1,keypoints1=kp1,img2=img2,keypoints2=kp2, matches1to2=matches, outImg=img2, flags=2)
plt.imshow(img3),plt.show()
最后是介紹FLANN匹配，相對暴力匹配BFMatcher來講，這匹配算法比較準(zhǔn)確、快速和使用方便。FLANN具有一種內(nèi)部機(jī)制，可以根據(jù)數(shù)據(jù)本身選擇最合適的算法來處理數(shù)據(jù)集。值得注意的是，F(xiàn)LANN匹配器只能使用SURF和SIFT算法。
FLANN實(shí)現(xiàn)方式如下：
import numpy as np
import cv2
from matplotlib import pyplot as plt
queryImage = cv2.imread('aa.jpg',0)
trainingImage = cv2.imread('bb.png',0)
# 只使用SIFT 或 SURF 檢測角點(diǎn)
sift = cv2.xfeatures2d.SIFT_create()
# sift = cv2.xfeatures2d.SURF_create(float(4000))
kp1, des1 = sift.detectAndCompute(queryImage,None)
kp2, des2 = sift.detectAndCompute(trainingImage,None)
# 設(shè)置FLANN匹配器參數(shù)
# algorithm設(shè)置可參考https://docs.opencv.org/3.1.0/dc/d8c/namespacecvflann.html
indexParams = dict(algorithm=0, trees=5)
searchParams = dict(checks=50)
# 定義FLANN匹配器
flann = cv2.FlannBasedMatcher(indexParams,searchParams)
# 使用 KNN 算法實(shí)現(xiàn)匹配
matches = flann.knnMatch(des1,des2,k=2)
# 根據(jù)matches生成相同長度的matchesMask列表，列表元素為[0,0]
matchesMask = [[0,0] for i in range(len(matches))]
# 去除錯(cuò)誤匹配
for i,(m,n) in enumerate(matches):
if m.distance < 0.7*n.distance:
matchesMask[i] = [1,0]
# 將圖像顯示
# matchColor是兩圖的匹配連接線，連接線與matchesMask相關(guān)
# singlePointColor是勾畫關(guān)鍵點(diǎn)
drawParams = dict(matchColor = (0,255,0),
singlePointColor = (255,0,0),
matchesMask = matchesMask,
flags = 0)
resultImage = cv2.drawMatchesKnn(queryImage,kp1,trainingImage,kp2,matches,None,**drawParams)
plt.imshow(resultImage,),plt.show()
運(yùn)行結(jié)果如圖所示：
FLANN的單應(yīng)性匹配，單應(yīng)性是一個(gè)條件，該條件表面當(dāng)兩幅圖像中的一副出像投影畸變時(shí)，他們還能匹配。FLANN的單應(yīng)性實(shí)現(xiàn)代碼如下：
import numpy as np
import cv2
from matplotlib import pyplot as plt
MIN_MATCH_COUNT = 10
img1 = cv2.imread('tattoo_seed.jpg',0)
img2 = cv2.imread('hush.jpg',0)
# 使用SIFT檢測角點(diǎn)
sift = cv2.xfeatures2d.SIFT_create()
# 獲取關(guān)鍵點(diǎn)和描述符
kp1, des1 = sift.detectAndCompute(img1,None)
kp2, des2 = sift.detectAndCompute(img2,None)
# 定義FLANN匹配器
index_params = dict(algorithm = 1, trees = 5)
search_params = dict(checks = 50)
flann = cv2.FlannBasedMatcher(index_params, search_params)
# 使用KNN算法匹配
matches = flann.knnMatch(des1,des2,k=2)
# 去除錯(cuò)誤匹配
good = []
for m,n in matches:
if m.distance < 0.7*n.distance:
good.append(m)
# 單應(yīng)性
if len(good)>MIN_MATCH_COUNT:
# 改變數(shù)組的表現(xiàn)形式，不改變數(shù)據(jù)內(nèi)容，數(shù)據(jù)內(nèi)容是每個(gè)關(guān)鍵點(diǎn)的坐標(biāo)位置
src_pts = np.float32([ kp1[m.queryIdx].pt for m in good ]).reshape(-1,1,2)
dst_pts = np.float32([ kp2[m.trainIdx].pt for m in good ]).reshape(-1,1,2)
# findHomography 函數(shù)是計(jì)算變換矩陣
# 參數(shù)cv2.RANSAC是使用RANSAC算法尋找一個(gè)最佳單應(yīng)性矩陣H，即返回值M
# 返回值：M 為變換矩陣，mask是掩模
M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC,5.0)
# ravel方法將數(shù)據(jù)降維處理，最后并轉(zhuǎn)換成列表格式
matchesMask = mask.ravel().tolist()
# 獲取img1的圖像尺寸
h,w = img1.shape
# pts是圖像img1的四個(gè)頂點(diǎn)
pts = np.float32([[0,0],[0,h-1],[w-1,h-1],[w-1,0]]).reshape(-1,1,2)
# 計(jì)算變換后的四個(gè)頂點(diǎn)坐標(biāo)位置
dst = cv2.perspectiveTransform(pts,M)
# 根據(jù)四個(gè)頂點(diǎn)坐標(biāo)位置在img2圖像畫出變換后的邊框
img2 = cv2.polylines(img2,[np.int32(dst)],True,(255,0,0),3, cv2.LINE_AA)
else:
print("Not enough matches are found - %d/%d") % (len(good),MIN_MATCH_COUNT)
matchesMask = None
# 顯示匹配結(jié)果
draw_params = dict(matchColor = (0,255,0), # draw matches in green color
singlePointColor = None,
matchesMask = matchesMask, # draw only inliers
flags = 2)
img3 = cv2.drawMatches(img1,kp1,img2,kp2,good,None,**draw_params)
plt.imshow(img3, 'gray'),plt.show()
運(yùn)行結(jié)果如下所示：
單應(yīng)性實(shí)際應(yīng)用
從上述的例子可以看到，單應(yīng)性是在兩圖片匹配的時(shí)候，其中某一圖片發(fā)生變換處理，變換后圖像會(huì)呈現(xiàn)一種立體空間的視覺效果，圖像發(fā)生變換程度稱為變換矩陣。以下例子將圖像中的書本替換成其他書本，例子中所使用圖片如下：
我們根據(jù)圖1和圖2計(jì)算變換矩陣，然后通過變換矩陣將圖3進(jìn)行變換，最后將圖3加入到圖1中，實(shí)現(xiàn)圖片替換。實(shí)現(xiàn)代碼如下：
import numpy as np
import cv2
from matplotlib import pyplot as plt
img1 = cv2.imread('logo.jpg',0)
img2 = cv2.imread('book.jpg',0)
# 使用SIFT檢測角點(diǎn)
sift = cv2.xfeatures2d.SIFT_create()
# 獲取關(guān)鍵點(diǎn)和描述符
kp1, des1 = sift.detectAndCompute(img1,None)
kp2, des2 = sift.detectAndCompute(img2,None)
# 定義FLANN匹配器
index_params = dict(algorithm = 1, trees = 5)
search_params = dict(checks = 50)
flann = cv2.FlannBasedMatcher(index_params, search_params)
# 使用KNN算法匹配
matches = flann.knnMatch(des1,des2,k=2)
# 去除錯(cuò)誤匹配
good = []
for m,n in matches:
if m.distance < 0.7*n.distance:
good.append(m)
# 單應(yīng)性實(shí)際應(yīng)用
# 改變數(shù)組的表現(xiàn)形式，不改變數(shù)據(jù)內(nèi)容，數(shù)據(jù)內(nèi)容是每個(gè)關(guān)鍵點(diǎn)的坐標(biāo)位置
src_pts = np.float32([ kp1[m.queryIdx].pt for m in good ]).reshape(-1,1,2)
dst_pts = np.float32([ kp2[m.trainIdx].pt for m in good ]).reshape(-1,1,2)
# findHomography 函數(shù)是計(jì)算變換矩陣
# 參數(shù)cv2.RANSAC是使用RANSAC算法尋找一個(gè)最佳單應(yīng)性矩陣H，即返回值M
# 返回值：M 為變換矩陣，mask是掩模
M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC,5.0)
# 獲取img1的圖像尺寸
h,w = img1.shape
# pts是圖像img1的四個(gè)頂點(diǎn)
pts = np.float32([[0,0],[0,h-1],[w-1,h-1],[w-1,0]]).reshape(-1,1,2)
# 計(jì)算變換后的四個(gè)頂點(diǎn)坐標(biāo)位置
dst = cv2.perspectiveTransform(pts,M)
# 圖片替換
img3 = cv2.imread('aa.png',0)
# 降維處理
b = np.int32(dst).reshape(4, 2)
x,y = img2.shape
# 根據(jù)變換矩陣將圖像img3進(jìn)行變換處理
res = cv2.warpPerspective(img3, M, (y,x))
img_temp = img2.copy()
# 將圖像img2的替換區(qū)域進(jìn)行填充處理
cv2.fillConvexPoly(img_temp, b, 0)
# 將變換后的img3圖像替換到圖像img2
cv2.imshow('bb',img_temp)
res = img_temp + res
cv2.imshow('aa',res)
plt.imshow(res),plt.show()
運(yùn)行結(jié)果如圖所示：
從結(jié)果可以看到，替換后的圖像周邊出現(xiàn)黑色線條，這是正常的現(xiàn)象。在上圖最左邊的圖bb可以看到，黑色區(qū)域是由圖1和圖2檢測匹配所得的結(jié)果，如果匹配結(jié)果會(huì)存在一定的誤差，這個(gè)誤差是由多個(gè)因素所導(dǎo)致的。
在實(shí)際中，我們根據(jù)一張圖片在眾多的圖片中查找匹配率最高的圖片。如果按照上面的例子，也可以實(shí)現(xiàn)，但每次匹配時(shí)都需要重新檢測圖片的特征數(shù)據(jù)，這樣會(huì)導(dǎo)致程序運(yùn)行效率。因此，我們可以將圖片的特征數(shù)據(jù)進(jìn)行保存，每次匹配時(shí)，只需讀取特征數(shù)據(jù)進(jìn)行匹配即可。我們以下圖為例：
我們根據(jù)圖1在圖2中查找最佳匹配的圖片。首先獲取圖2的全部圖片的特征數(shù)據(jù)，將代碼保存在features.py：
import cv2
import numpy as np
from os import walk
from os.path import join
def create_descriptors(folder):
files = []
for (dirpath, dirnames, filenames) in walk(folder):
files.extend(filenames)
for f in files:
if '.jpg' in f:
save_descriptor(folder, f, cv2.xfeatures2d.SIFT_create())
def save_descriptor(folder, image_path, feature_detector):
# 判斷圖片是否為npy格式
if image_path.endswith("npy"):
return
# 讀取圖片并檢查特征
img = cv2.imread(join(folder,image_path), 0)
keypoints, descriptors = feature_detector.detectAndCompute(img, None)
# 設(shè)置文件名并將特征數(shù)據(jù)保存到npy文件
descriptor_file = image_path.replace("jpg", "npy")
np.save(join(folder, descriptor_file), descriptors)
if __name__=='__main__':
path = 'E:\\anchors'
create_descriptors(path)
運(yùn)行代碼，結(jié)果如圖所示：
我們將圖片的特征數(shù)據(jù)保存在npy文件。下一步是根據(jù)圖1與這些特征數(shù)據(jù)文件進(jìn)行匹配，從而找出最佳匹配的圖片。代碼存在matching.py：
from os.path import join
from os import walk
import numpy as np
import cv2
query = cv2.imread('tattoo_seed.jpg', 0)
folder = 'E:\\anchors'
descriptors = []
# 獲取特征數(shù)據(jù)文件名
for (dirpath, dirnames, filenames) in walk(folder):
for f in filenames:
if f.endswith("npy"):
descriptors.append(f)
print(descriptors)
# 使用SIFT算法檢查圖像的關(guān)鍵點(diǎn)和描述符
sift = cv2.xfeatures2d.SIFT_create()
query_kp, query_ds = sift.detectAndCompute(query, None)
# 創(chuàng)建FLANN匹配器
index_params = dict(algorithm=0, trees=5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)
potential_culprits = {}
for d in descriptors:
# 將圖像query與特征數(shù)據(jù)文件的數(shù)據(jù)進(jìn)行匹配
matches = flann.knnMatch(query_ds, np.load(join(folder, d)), k=2)
# 清除錯(cuò)誤匹配
good = []
for m, n in matches:
if m.distance < 0.7 * n.distance:
good.append(m)
# 輸出每張圖片與目標(biāo)圖片的匹配數(shù)目
print("img is %s ! matching rate is (%d)" % (d, len(good)))
potential_culprits[d] = len(good)
# 獲取最多匹配數(shù)目的圖片
max_matches = None
potential_suspect = None
for culprit, matches in potential_culprits.items():
if max_matches == None or matches > max_matches:
max_matches = matches
potential_suspect = culprit
print("potential suspect is %s" % potential_suspect.replace("npy", "").upper())
代碼運(yùn)行后，輸出結(jié)果如圖所示：
從輸出的結(jié)果可以看到，圖1與圖2的hush.jpg最為匹配，如圖所示：
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持億速云。
免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點(diǎn)不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進(jìn)行舉報(bào)，并提供相關(guān)證據(jù)，一經(jīng)查實(shí)，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號
手機(jī)網(wǎng)站二維碼