資訊專(zhuān)欄INFORMATION COLUMN
摘要：理論前面講的角點(diǎn)檢測(cè)器中的角點(diǎn)在旋轉(zhuǎn)的圖像中也是角點(diǎn)，但是縮放呢如果縮放圖像，則角可能不是角例如，檢查下面的簡(jiǎn)單圖像，當(dāng)在同一窗口中放大時(shí)，小窗口內(nèi)的小圖像中的角是平坦的所以角點(diǎn)檢測(cè)器不是尺度不變的所以，在年，不列顛哥倫比亞大學(xué)的在他的論
Introduction to SIFT (Scale-Invariant Feature Transform)
理論前面講的Harris角點(diǎn)檢測(cè)器中的角點(diǎn)在旋轉(zhuǎn)的圖像中也是角點(diǎn)，但是縮放呢？ 如果縮放圖像，則角可能不是角.例如，檢查下面的簡(jiǎn)單圖像， 當(dāng)在同一窗口中放大時(shí)，小窗口內(nèi)的小圖像中的角是平坦的.所以Harris角點(diǎn)檢測(cè)器不是尺度不變的.
所以，在2004年，不列顛哥倫比亞大學(xué)的D.Lowe在他的論文中提出了一種新的算法，即尺度不變特征變換（SIFT）.
SIFT特征是基于物體上的一些局部外觀的興趣點(diǎn)而與影像的大小和旋轉(zhuǎn)無(wú)關(guān)。對(duì)于光線、噪聲、微視角改變的容忍度也相當(dāng)高.基于這些特性，它們是高度顯著而且相對(duì)容易擷取，在母數(shù)龐大的特征數(shù)據(jù)庫(kù)中，很容易辨識(shí)物體而且鮮有誤認(rèn).使用SIFT特征描述對(duì)于部分物體遮蔽的偵測(cè)率也相當(dāng)高，甚至只需要3個(gè)以上的SIFT物體特征就足以計(jì)算出位置與方位.在現(xiàn)今的電腦硬件速度下和小型的特征數(shù)據(jù)庫(kù)條件下，辨識(shí)速度可接近即時(shí)運(yùn)算.SIFT特征的信息量大，適合在海量數(shù)據(jù)庫(kù)中快速準(zhǔn)確匹配.
OpenCV中的SIFTimport numpy as np
import cv2
img = cv2.imread("img.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("img",img)
cv2.waitKey()
NOTE:
lz直接運(yùn)行上述代碼時(shí)，程序報(bào)錯(cuò)：
module "cv2.cv2" has no attribute "xfeatures2d"，后面查詢(xún)?cè)蛑繭penCv3.x以后只包含部分內(nèi)容，需要神經(jīng)網(wǎng)絡(luò)或者其他的函數(shù)需要導(dǎo)入opencv_contrib，所以需要pip install opencv-contrib-python
sift.detect（）函數(shù)在圖像中查找關(guān)鍵點(diǎn), 如果只想搜索圖像的一部分，可以傳遞掩膜.
OpenCV還提供了cv2.drawKeyPoints（）函數(shù)，該函數(shù)在關(guān)鍵點(diǎn)的位置上繪制小圓圈.如果傳遞標(biāo)志cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS,它將繪制一個(gè)大小為keypoint的圓圈并顯示它的方向.
import numpy as np
import cv2
img = cv2.imread("img.jpg")
gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
sift = cv2.xfeatures2d.SIFT_create()
kp = sift.detect(gray,None)
img=cv2.drawKeypoints(gray,kp,img,flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imshow("img",img)
cv2.waitKey()
計(jì)算描述符，OpenCV提供了兩種方法:
如果已經(jīng)找到了關(guān)鍵點(diǎn)，可以調(diào)用sift.compute（）來(lái)計(jì)算找到的關(guān)鍵點(diǎn)的描述符, 例如：kp，des = sift.compute（gary，kp）
如果沒(méi)有找到關(guān)鍵點(diǎn)，可以使用函數(shù)sift.detectAndCompute（）在一個(gè)步驟中直接查找關(guān)鍵點(diǎn)和描述符
sift = cv2.xfeatures2d.SIFT_create() kp, des = sift.detectAndCompute(gray,None)
kp是關(guān)鍵點(diǎn)列表，des是形狀為Number_of_Keypoints×128的numpy數(shù)組.
文章版權(quán)歸作者所有，未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請(qǐng)注明本文地址：http://systransis.cn/yun/42063.html
摘要：降采樣的目的是為了綜合所有不同清晰度的圖像進(jìn)行關(guān)鍵點(diǎn)提取，這種關(guān)鍵點(diǎn)攜帶了不同清晰度的信息，對(duì)縮放具有不變性。是對(duì)的一種改進(jìn)，主要特點(diǎn)是快速。的達(dá)到維，導(dǎo)致的比較耗時(shí)，使用哈爾小波轉(zhuǎn)換得到的方向，讓的降到維，減少了一半，提高了匹配速度。 尺度不變特征變換(Scale-invariant feature transform， 簡(jiǎn)稱(chēng)SIFT)是圖像局部特征提取的現(xiàn)代方法——基于區(qū)域/圖像塊...
摘要：理論在上一章中，我們看到了的關(guān)鍵點(diǎn)檢測(cè)和描述但它相對(duì)較慢，人們需要更加快速的版本，所以年引入了一種名為的新算法顧名思義，它是的加速版本作為尺度不變特征變換算法的加速版，算法在適中的條件下完成兩幅圖像中物體的匹配基本實(shí)現(xiàn)了實(shí)時(shí)處理，其快速的 Introduction to SURF (Speeded-Up Robust Features) 理論 在上一章中，我們看到了SIFT的關(guān)鍵點(diǎn)檢...
摘要：為了解決這個(gè)問(wèn)題，算法使用和可以通過(guò)參數(shù)來(lái)設(shè)定所以好的匹配提供的正確的估計(jì)被稱(chēng)為，剩下的被稱(chēng)為返回一個(gè)掩模，這個(gè)掩模確定了和點(diǎn) Feature Matching + Homography to find Objects 聯(lián)合使用特征提取和 calib3d 模塊中的 findHomography 在復(fù)雜圖像中查找已知對(duì)象. 之前在一張雜亂的圖像中找到了一個(gè)對(duì)象（的某些部分）的位置.這些...
閱讀 3018·2021-11-23 09:51
閱讀 3622·2021-10-13 09:39
閱讀 2507·2021-09-22 15:06
閱讀 889·2019-08-30 15:55
閱讀 3159·2019-08-30 15:44
閱讀 1791·2019-08-30 14:05
閱讀 3447·2019-08-29 15:24
閱讀 2372·2019-08-29 12:44
