建设区服务网站,深圳网站设计哪家比较好,中国中小企业信息网官网,可以自己做攻略的网站文章目录 一、Harris 角点检测1.基本思想2.检测步骤3.OpenCV实现 二、SIFT特征检测1. SIFT特征检测的基本原理2. SIFT特征检测的特点3. OpenCV 实现 一、Harris 角点检测
OpenCV中的Harris角点检测是一种基于图像灰度值变化的角点提取算法#xff0c;它通过计算每个像素点的响… 文章目录 一、Harris 角点检测1.基本思想2.检测步骤3.OpenCV实现 二、SIFT特征检测1. SIFT特征检测的基本原理2. SIFT特征检测的特点3. OpenCV 实现 一、Harris 角点检测
OpenCV中的Harris角点检测是一种基于图像灰度值变化的角点提取算法它通过计算每个像素点的响应函数来确定是否为角点。Harris角点检测算法的基本思想和步骤如下
1.基本思想
Harris角点检测算法基于图像中角点的局部特征角点处图像灰度变化明显且向任何方向移动变化都很大。通过计算每个像素点的响应函数并设置阈值来确定角点。
2.检测步骤 灰度化将彩色图像转换为灰度图像以便进行后续处理。 计算图像梯度使用Sobel等算子计算图像在x和y方向上的梯度。这些梯度反映了图像在水平和垂直方向上的亮度变化。 计算梯度积方向矩阵自相关矩阵对于每个像素点根据其周围的梯度值计算自相关矩阵。这个矩阵包含了该点x方向梯度的平方和、y方向梯度的平方和以及x方向梯度与y方向梯度的乘积。 计算角点响应函数根据自相关矩阵计算Harris响应函数其定义为 R det ( M ) − k ⋅ trace ( M ) 2 R \text{det}(M) - k \cdot \text{trace}(M)^2 Rdet(M)−k⋅trace(M)2其中 M M M为自相关矩阵 det ( M ) \text{det}(M) det(M)为其行列式 trace ( M ) \text{trace}(M) trace(M)为其迹 k k k为一个经验参数通常在0.04到0.06之间。 非极大值抑制对于计算得到的响应函数图像进行非极大值抑制即保留局部最大值点将其余点设为0以消除重复检测的角点。 阈值化根据设定的阈值将响应函数图像中低于阈值的点排除以得到最终的角点位置。
3.OpenCV实现
在OpenCV中可以使用cv2.cornerHarris()函数来实现Harris角点检测。该函数的基本语法如下
dst cv2.cornerHarris(src, blockSize, ksize, k[, dst[, borderType]])src输入图像应为单通道灰度图像数据类型为float32。 blockSize角点检测中使用的邻域大小一般为2、3、4等奇数。 ksizeSobel算子的大小用于计算x和y方向的梯度一般为3。 kHarris角点检测方程中的自由参数一般取值为0.04到0.06。 dst输出图像与输入图像大小相同数据类型为float32其中每个像素点的值表示该点的Harris响应函数值。 borderType像素的边界模式默认值为cv2.BORDER_DEFAULT。 下图为示例图片 Harris角点检测代码实现 import cv2# 读取图像并转换为灰度图像
image cv2.imread(Ta.png)
gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 计算Harris角点响应图像
dst cv2.cornerHarris(gray, blockSize4, ksize3, k0.04)# 标记检测到的角点
image[dst 0.05 * dst.max()] [0, 255, 0]
# 这里通过对角点响应进行阈值处理标记出检测到的角点
# 0.05 * dst.max()是一个值大于这个值的像素点会被标记为绿色。# 显示结果图像
cv2.imshow(Harris Corners, image)
cv2.waitKey(0)
cv2.destroyAllWindows()结果如下
二、SIFT特征检测
**SIFTScale-Invariant Feature Transform尺度不变特征变换**是一种在图像处理和计算机视觉领域广泛使用的特征检测算法。它主要用于检测图像中的局部特征点并生成对应的描述符这些特征点对图像的旋转、尺度缩放和亮度变化具有一定的不变性同时对视角变化、仿射变换和噪声也保持一定程度的稳定性。以下是SIFT特征检测的详细介绍
1. SIFT特征检测的基本原理
SIFT算法通过以下几个步骤来实现特征点的检测和描述 尺度空间极值检测 搜索所有尺度上的图像位置通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。构建高斯金字塔和DoGDifference of Gaussian金字塔通过比较相邻尺度图像的差分来检测极值点。 关键点定位 在每个候选的位置上通过拟合精细的模型如泰勒展开来确定关键点的精确位置和尺度。关键点的选择依据于它们的稳定程度通常选择局部极值点作为关键点。 方向确定 基于图像局部的梯度方向为每个关键点分配一个或多个主方向。通过计算关键点周围区域的梯度幅值和方向来确定主方向以实现旋转不变性。 关键点描述 在每个关键点周围的邻域内在选定的尺度上测量图像局部的梯度。将这些梯度变换成一种表示形成关键点的描述符。描述符由关键点周围的梯度方向直方图组成通过拼接子区域的直方图来形成最终的描述符。对描述符进行归一化处理以增强其鲁棒性。
可结合以下图片理解
2. SIFT特征检测的特点
独特性SIFT特征具有很好的独特性即使在复杂的场景中也能有效地区分不同的特征点。多量性即使图像中只包含少数几个物体也能产生大量的SIFT特征向量为匹配提供更多的可能性。高速性经过优化的SIFT匹配算法可以达到实时的要求适用于需要快速处理的应用场景。可扩展性SIFT特征可以很方便地与其他形式的特征向量进行联合提高匹配的准确性和鲁棒性。
3. OpenCV 实现
步骤 1.加载图像2.创建SIFT对象3.检测关键点和计算描述符4.绘制关键点5.显示图像 下图为特征检测的图片 SIFT特征检测代码实现import cv2# 加载图像并转换为灰度图
image cv2.imread(sea.jpg)
image_gray cv2.cvtColor(image, cv2.COLOR_BGR2RGB)# 在OpenCV中使用cv2.SIFT_create()或cv2.xfeatures2d.SIFT_create()函数取决于OpenCV的版本和配置来创建一个SIFT对象。
# 这个对象将用于后续的关键点检测和描述符生成。
sift cv2.SIFT_create()
# 或者在某些OpenCV版本中可能需要
# sift cv2.xfeatures2d.SIFT_create()# 使用SIFT对象的detectAndCompute()方法来检测图像中的关键点并计算它们的描述符
keypoints, descriptors sift.detectAndCompute(image_gray, None)# 使用cv2.drawKeypoints()函数将检测到的关键点绘制到图像上
image_with_keypoints cv2.drawKeypoints(image, keypoints, None, flagscv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)# 显示图像
cv2.imshow(Image with Keypoints, image_with_keypoints)
cv2.waitKey(0) # 等待任意键盘按键
cv2.destroyAllWindows() # 关闭所有OpenCV窗口结果如下
