135网站模板,佛山市外贸企业高端网站设计,疯狂的大叔wordpress3.1,深圳建设怎么样一#xff0c;颜色特征#xff1a;
简单点来说就是将一幅图上的各个像素点颜色统计出来#xff0c;适用颜色空间#xff1a;RGB#xff0c;HSV等颜色空间#xff0c;
具体操作#xff1a;量化颜色空间#xff0c;每个单元#xff08;bin#xff09;由单元中心代表颜色特征
简单点来说就是将一幅图上的各个像素点颜色统计出来适用颜色空间RGBHSV等颜色空间
具体操作量化颜色空间每个单元bin由单元中心代表统计落在量化单元上的像素数量
量化颜色直方图HSV空间
缺点稀疏量化问题 聚类颜色直方图
适用颜色空间Lab等颜色空间
操作使用聚类算法对所有像素点颜色向量进行聚类
单元bin由聚类中心代表
解决稀疏问题 二几何特征
边缘像素明显变化的区域含有丰富的语义信息
边缘定义像素值快速变化的区域
边缘提取 先噪声处理高斯去噪在使用一阶导数获取极值 高斯滤波一阶求导 梯度变化最快方向
三基于特征点的特征描述子
不同的观测方式物体的大小形状明暗会有不同依然可以判断为同一物体
Harris角点corner
在任何方向上移动小观察窗导致大的像素变动 代码
def harris_corner():import numpy as npimport cv2filename ./data/chessboard.pngimg cv2.imread(filename)imgcv2.resize(img,(200,200))gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)gray np.float32(gray)dst cv2.cornerHarris(gray, 2, 3, 0.04)# result is dilated for marking the corners, not importantdst cv2.dilate(dst, None)# Threshold for an optimal value, it may vary depending on the image.img[dst 0.01 * dst.max()] [0, 0, 255]cv2.imshow(dst, img)if cv2.waitKey(0) 0xff 27:cv2.destroyAllWindows()
打印结果 (1)SIFT特征基于尺度空间不变的特征4×4网格8方向直方图总共128维特征向量
特点具有良好的不变性少数物体也能产生大量SIFT特征
代码
def sift():import numpy as npimport cv2img cv2.imread(./data/home.jpg)gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)sift cv2.xfeatures2d.SIFT_create()kp sift.detect(gray, None)img cv2.drawKeypoints(gray, kp, img)cv2.imshow(SIFT, img)cv2.imwrite(sift_keypoints.jpg, img)cv2.waitKey(0)cv2.destroyAllWindows()
结果 2LBP局部二值模式每个像素点与周围点大小比较多个bit组成一个数统计每个数的直方图
LBP特征具有灰度不变性和旋转不变性等显著优点。
3SURF,为了保证旋转不变性,在SURF中,统计特征点领域内的Harr小波特征。
代码
def surf():import numpy as npimport cv2img cv2.imread(./data/butterfly.jpg, 0)surf cv2.xfeatures2d.SURF_create(400)# kp, des surf.detectAndCompute(img,None)surf.setHessianThreshold(50000)kp, des surf.detectAndCompute(img, None)img2 cv2.drawKeypoints(img, kp, None, (255, 0, 0), 4)cv2.imshow(surf, img2)cv2.waitKey(0)cv2.destroyAllWindows() 4ORB特征基于FAST角点的特征点检测
def orb():import numpy as npimport cv2 as cvimport matplotlib.pyplot as pltimg1 cv.imread(./data/box.png, 0) # queryImageimg2 cv.imread(./data/box_in_scene.png, 0) # trainImage# Initiate ORB detectororb cv.ORB_create()# find the keypoints and descriptors with ORBkp1, des1 orb.detectAndCompute(img1, None)kp2, des2 orb.detectAndCompute(img2, None)# create BFMatcher objectbf cv.BFMatcher(cv.NORM_HAMMING, crossCheckTrue)# Match descriptors.matches bf.match(des1, des2)# Sort them in the order of their distance.matches sorted(matches, keylambda x: x.distance)# Draw first 10 matches.img3 cv.drawMatches(img1, kp1, img2, kp2, matches[:20], None, flags2)plt.imshow(img3), plt.show() 5Gabor滤波用于边缘提取的线性滤波器三角函数高斯函数Gabor滤波器
基于sift拼接Stitcher.py
import numpy as np
import cv2class Stitcher:#拼接函数def stitch(self, images, ratio0.75, reprojThresh4.0,showMatchesFalse):#获取输入图片(imageB, imageA) images#检测A、B图片的SIFT关键特征点并计算特征描述子(kpsA, featuresA) self.detectAndDescribe(imageA)(kpsB, featuresB) self.detectAndDescribe(imageB)# 匹配两张图片的所有特征点返回匹配结果M self.matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh)# 如果返回结果为空没有匹配成功的特征点退出算法if M is None:return None# 否则提取匹配结果# H是3x3视角变换矩阵 (matches, H, status) M# 将图片A进行视角变换result是变换后图片result cv2.warpPerspective(imageA, H, (imageA.shape[1] imageB.shape[1], imageA.shape[0]))# 将图片B传入result图片最左端result[0:imageB.shape[0], 0:imageB.shape[1]] imageB# 检测是否需要显示图片匹配if showMatches:# 生成匹配图片vis self.drawMatches(imageA, imageB, kpsA, kpsB, matches, status)# 返回结果return (result, vis)# 返回匹配结果return resultdef detectAndDescribe(self, image):# 将彩色图片转换成灰度图gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 建立SIFT生成器descriptor cv2.xfeatures2d.SIFT_create()# 检测SIFT特征点并计算描述子(kps, features) descriptor.detectAndCompute(image, None)# 将结果转换成NumPy数组kps np.float32([kp.pt for kp in kps])# 返回特征点集及对应的描述特征return (kps, features)def matchKeypoints(self, kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh):# 建立暴力匹配器matcher cv2.DescriptorMatcher_create(BruteForce)# 使用KNN检测来自A、B图的SIFT特征匹配对K2rawMatches matcher.knnMatch(featuresA, featuresB, 2)matches []for m in rawMatches:# 当最近距离跟次近距离的比值小于ratio值时保留此匹配对if len(m) 2 and m[0].distance m[1].distance * ratio:# 存储两个点在featuresA, featuresB中的索引值matches.append((m[0].trainIdx, m[0].queryIdx))# 当筛选后的匹配对大于4时计算视角变换矩阵if len(matches) 4:# 获取匹配对的点坐标ptsA np.float32([kpsA[i] for (_, i) in matches])ptsB np.float32([kpsB[i] for (i, _) in matches])# 计算视角变换矩阵(H, status) cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)# 返回结果return (matches, H, status)# 如果匹配对小于4时返回Nonereturn Nonedef drawMatches(self, imageA, imageB, kpsA, kpsB, matches, status):# 初始化可视化图片将A、B图左右连接到一起(hA, wA) imageA.shape[:2](hB, wB) imageB.shape[:2]vis np.zeros((max(hA, hB), wA wB, 3), dtypeuint8)vis[0:hA, 0:wA] imageAvis[0:hB, wA:] imageB# 联合遍历画出匹配对for ((trainIdx, queryIdx), s) in zip(matches, status):# 当点对匹配成功时画到可视化图上if s 1:# 画出匹配对ptA (int(kpsA[queryIdx][0]), int(kpsA[queryIdx][1]))ptB (int(kpsB[trainIdx][0]) wA, int(kpsB[trainIdx][1]))cv2.line(vis, ptA, ptB, (0, 255, 0), 1)# 返回可视化结果return vis
def image_stich():from opencv.Stitcher import Stitcherimport cv2# 读取拼接图片imageA cv2.imread(./data/left_01.png)imageB cv2.imread(./data/right_01.png)# 把图片拼接成全景图stitcher Stitcher()(result, vis) stitcher.stitch([imageA, imageB], showMatchesTrue)# 显示所有图片cv2.imshow(Image A, imageA)cv2.imshow(Image B, imageB)cv2.imshow(Keypoint Matches, vis)cv2.imshow(Result, result)cv2.waitKey(0)cv2.destroyAllWindows()
