溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
應用OpenCV和Python進行SIFT算法的實現(xiàn)
如下圖為進行測試的gakki101和gakki102，分別驗證基于BFmatcher、FlannBasedMatcher等的SIFT算法，對比其優(yōu)劣。為體現(xiàn)出匹配效果對于旋轉(zhuǎn)特性的優(yōu)勢，將圖gakki101做成具有旋轉(zhuǎn)特性的效果。
基于BFmatcher的SIFT實現(xiàn)
BFmatcher（Brute-Force Matching）暴力匹配，應用BFMatcher.knnMatch( )函數(shù)來進行核心的匹配，knnMatch（k-nearest neighbor classification）k近鄰分類算法。
kNN算法則是從訓練集中找到和新數(shù)據(jù)最接近的k條記錄，然后根據(jù)他們的主要分類來決定新數(shù)據(jù)的類別。該算法涉及3個主要因素：訓練集、距離或相似的衡量、k的大小。kNN算法的核心思想是如果一個樣本在特征空間中的k個最相鄰的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別，并具有這個類別上樣本的特性。該方法在確定分類決策上只依據(jù)最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。
kNN方法在類別決策時，只與極少量的相鄰樣本有關(guān)。由于kNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別的，因此對于類域的交叉或重疊較多的待分樣本集來說，kNN方法較其他方法更為適合。
經(jīng)檢驗 BFmatcher在做匹配時會耗費大量的時間。
代碼段如下：
import numpy as np
import cv2
from matplotlib import pyplot as plt
imgname1 = 'E:/other/gakki101.jpg'
imgname2 = 'E:/other/gakki102.jpg'
sift = cv2.xfeatures2d.SIFT_create()
img1 = cv2.imread(imgname1)
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) #灰度處理圖像
kp1, des1 = sift.detectAndCompute(img1,None) #des是描述子
img2 = cv2.imread(imgname2)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)#灰度處理圖像
kp2, des2 = sift.detectAndCompute(img2,None) #des是描述子
hmerge = np.hstack((gray1, gray2)) #水平拼接
cv2.imshow("gray", hmerge) #拼接顯示為gray
cv2.waitKey(0)
img3 = cv2.drawKeypoints(img1,kp1,img1,color=(255,0,255)) #畫出特征點，并顯示為紅色圓圈
img4 = cv2.drawKeypoints(img2,kp2,img2,color=(255,0,255)) #畫出特征點，并顯示為紅色圓圈
hmerge = np.hstack((img3, img4)) #水平拼接
cv2.imshow("point", hmerge) #拼接顯示為gray
cv2.waitKey(0)
# BFMatcher解決匹配
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1,des2, k=2)
# 調(diào)整ratio
good = []
for m,n in matches:
if m.distance < 0.75*n.distance:
good.append([m])
img5 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,matches,None,flags=2)
cv2.imshow("BFmatch", img5)
cv2.waitKey(0)
cv2.destroyAllWindows()
首先是針對圖像的灰度化顯示：
之后完成特征點的標注，用紅色圓圈表示：
在cv2.drawMatchesKnn(img1,kp1,img2,kp2,matches,None,flags=2)下的匹配效果，比較雜亂，且會出錯。
如果更換為cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)，明顯優(yōu)于上面的匹配，并且為預想的匹配區(qū)域，其效果為：
基于FlannBasedMatcher的SIFT實現(xiàn)
FLANN(Fast_Library_for_Approximate_Nearest_Neighbors)快速最近鄰搜索包，它是一個對大數(shù)據(jù)集和高維特征進行最近鄰搜索的算法的集合,而且這些算法都已經(jīng)被優(yōu)化過了。在面對大數(shù)據(jù)集時它的效果要好于 BFMatcher。
經(jīng)驗證，F(xiàn)LANN比其他的最近鄰搜索軟件快10倍。使用 FLANN 匹配,我們需要傳入兩個字典作為參數(shù)。這兩個用來確定要使用的算法和其他相關(guān)參數(shù)等。
第一個是 IndexParams。
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5) 。
這里使用的是KTreeIndex配置索引，指定待處理核密度樹的數(shù)量（理想的數(shù)量在1-16）。
第二個字典是SearchParams。
search_params = dict(checks=100)用它來指定遞歸遍歷的次數(shù)。值越高結(jié)果越準確，但是消耗的時間也越多。實際上，匹配效果很大程度上取決于輸入。
5kd-trees和50checks總能取得合理精度，而且短時間完成。在之下的代碼中，丟棄任何距離大于0.7的值，則可以避免幾乎90%的錯誤匹配，但是好的匹配結(jié)果也會很少。
import numpy as np
import cv2
from matplotlib import pyplot as plt
imgname1 = 'E:/other/gakki101.jpg'
imgname2 = 'E:/other/gakki102.jpg'
sift = cv2.xfeatures2d.SIFT_create()
# FLANN 參數(shù)設計
FLANN_INDEX_KDTREE = 0
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params,search_params)
img1 = cv2.imread(imgname1)
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) #灰度處理圖像
kp1, des1 = sift.detectAndCompute(img1,None)#des是描述子
img2 = cv2.imread(imgname2)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
kp2, des2 = sift.detectAndCompute(img2,None)
hmerge = np.hstack((gray1, gray2)) #水平拼接
cv2.imshow("gray", hmerge) #拼接顯示為gray
cv2.waitKey(0)
img3 = cv2.drawKeypoints(img1,kp1,img1,color=(255,0,255))
img4 = cv2.drawKeypoints(img2,kp2,img2,color=(255,0,255))
hmerge = np.hstack((img3, img4)) #水平拼接
cv2.imshow("point", hmerge) #拼接顯示為gray
cv2.waitKey(0)
matches = flann.knnMatch(des1,des2,k=2)
matchesMask = [[0,0] for i in range(len(matches))]
good = []
for m,n in matches:
if m.distance < 0.7*n.distance:
good.append([m])
img5 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,matches,None,flags=2)
cv2.imshow("FLANN", img5)
cv2.waitKey(0)
cv2.destroyAllWindows()
首先是針對圖像的灰度化顯示：
之后完成特征點的標注，用紅色圓圈表示：
在cv2.drawMatchesKnn(img1,kp1,img2,kp2,matches,None,flags=2)下的匹配效果，比較雜亂，且會出錯。
如果更換為cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)，明顯優(yōu)于上面的匹配，并且為預想的匹配區(qū)域，其效果為：
修改if m.distance < 0.7*n.distance:為 if m.distance < 1*n.distance:，顯示效果為：
可見，雖然值越大，匹配的線條越密集，但錯誤匹配點也會增多，在lowe論文中，Lowe推薦ratio的閾值為0.8，但作者對大量任意存在尺度、旋轉(zhuǎn)和亮度變化的兩幅圖片進行匹配，結(jié)果表明ratio取值在0. 4~0. 6 之間最佳，小于0. 4的很少有匹配點，大于0. 6的則存在大量錯誤匹配點，所以建議ratio的取值原則如下:
ratio=0. 4：對于準確度要求高的匹配；
ratio=0. 6：對于匹配點數(shù)目要求比較多的匹配；
ratio=0. 5：一般情況下。
基于FlannBasedMatcher的SURF實現(xiàn)
SURF全稱為“加速穩(wěn)健特征”（Speeded Up Robust Feature）,不僅是尺度不變特征，而且是具有較高計算效率的特征。可被認為SURF是尺度不變特征變換算法（SIFT算法）的加速版。SURF最大的特征在于采用了haar特征以及積分圖像的概念，SIFT采用的是DoG圖像，而SURF采用的是Hessian矩陣（SURF算法核心）行列式近似值圖像。SURF借鑒了SIFT算法中簡化近似的思想，實驗證明，SURF算法較SIFT算法在運算速度上要快3倍，綜合性優(yōu)于SIFT算法。
import numpy as np
import cv2
from matplotlib import pyplot as plt
imgname1 = 'E:/other/gakki101.jpg'
imgname2 = 'E:/other/gakki102.jpg'
surf = cv2.xfeatures2d.SURF_create()
FLANN_INDEX_KDTREE = 0
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params,search_params)
img1 = cv2.imread(imgname1)
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) #灰度處理圖像
kp1, des1 = surf.detectAndCompute(img1,None)#des是描述子
img2 = cv2.imread(imgname2)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
kp2, des2 = surf.detectAndCompute(img2,None)
hmerge = np.hstack((gray1, gray2)) #水平拼接
cv2.imshow("gray", hmerge) #拼接顯示為gray
cv2.waitKey(0)
img3 = cv2.drawKeypoints(img1,kp1,img1,color=(255,0,255))
img4 = cv2.drawKeypoints(img2,kp2,img2,color=(255,0,255))
hmerge = np.hstack((img3, img4)) #水平拼接
cv2.imshow("point", hmerge) #拼接顯示為gray
cv2.waitKey(0)
matches = flann.knnMatch(des1,des2,k=2)
good = []
for m,n in matches:
if m.distance < 0.7*n.distance:
good.append([m])
img5 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)
cv2.imshow("SURF", img5)
cv2.waitKey(0)
cv2.destroyAllWindows()
在cv2.drawMatchesKnn(img1,kp1,img2,kp2,matches,None,flags=2)下的匹配效果，比較雜亂，且會出錯。
如果更換為cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)，明顯優(yōu)于上面的匹配，并且為預想的匹配區(qū)域，其效果為：
但就其錯誤點數(shù)量和匹配效果而言，并沒有SIFT來的理想。
基于BFMatcher的ORB實現(xiàn)
ORB(Oriented Fast and Rotated BRIEF)，結(jié)合Fast與Brief算法，并給Fast特征點增加了方向性，使得特征點具有旋轉(zhuǎn)不變性，并提出了構(gòu)造金字塔方法，解決尺度不變性，但文章中沒有具體詳述。特征提取是由FAST（Features from Accelerated Segment Test）算法發(fā)展來的，特征點描述是根據(jù)BRIEF（Binary Robust Independent Elementary Features）特征描述算法改進的。ORB特征是將FAST特征點的檢測方法與BRIEF特征描述子結(jié)合起來，并在它們原來的基礎(chǔ)上做了改進與優(yōu)化。ORB主要解決BRIEF描述子不具備旋轉(zhuǎn)不變性的問題。實驗證明，ORB遠優(yōu)于之前的SIFT與SURF算法，ORB算法的速度是sift的100倍，是surf的10倍。
import numpy as np
import cv2
from matplotlib import pyplot as plt
imgname1 = 'E:/other/gakki101.jpg'
imgname2 = 'E:/other/gakki102.jpg'
orb = cv2.ORB_create()
img1 = cv2.imread(imgname1)
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) #灰度處理圖像
kp1, des1 = orb.detectAndCompute(img1,None)#des是描述子
img2 = cv2.imread(imgname2)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
kp2, des2 = orb.detectAndCompute(img2,None)
hmerge = np.hstack((gray1, gray2)) #水平拼接
cv2.imshow("gray", hmerge) #拼接顯示為gray
cv2.waitKey(0)
img3 = cv2.drawKeypoints(img1,kp1,img1,color=(255,0,255))
img4 = cv2.drawKeypoints(img2,kp2,img2,color=(255,0,255))
hmerge = np.hstack((img3, img4)) #水平拼接
cv2.imshow("point", hmerge) #拼接顯示為gray
cv2.waitKey(0)
# BFMatcher解決匹配
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1,des2, k=2)
# 調(diào)整ratio
good = []
for m,n in matches:
if m.distance < 0.75*n.distance:
good.append([m])
img5 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)
cv2.imshow("ORB", img5)
cv2.waitKey(0)
cv2.destroyAllWindows()
經(jīng)顯示觀察到，ORB算法在特征點標記時數(shù)量較少，如圖：
在cv2.drawMatchesKnn(img1,kp1,img2,kp2,matches,None,flags=2)下的匹配效果，比較雜亂，且會出錯。
如果更換為cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)，明顯優(yōu)于上面的匹配，并且為預想的匹配區(qū)域，其效果為：
但同樣會出現(xiàn)在同樣的匹配方式上，效果不如SIFT的現(xiàn)象。
如下為使用FAST作為特征描述的關(guān)鍵代碼和提取圖像顯示：
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('E:/other/gakki102.',0)
fast=cv2.FastFeatureDetector_create()#獲取FAST角點探測器
kp=fast.detect(img,None)#描述符
img = cv2.drawKeypoints(img,kp,img,color=(255,255,0))#畫到img上面
print ("Threshold: ", fast.getThreshold())#輸出閾值
print ("nonmaxSuppression: ", fast.getNonmaxSuppression())#是否使用非極大值抑制
print ("Total Keypoints with nonmaxSuppression: ", len(kp))#特征點個數(shù)
cv2.imshow('fast',img)
cv2.waitKey(0)
如圖為FAST特征提取的圖像顯示：
以上就是本文的全部內(nèi)容，希望對大家的學習有所幫助，也希望大家多多支持億速云。
免責聲明：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進行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號
手機網(wǎng)站二維碼