昆明企业公司网站建设,网站开发科普书,天河网站建设系统,php网站开发技术背景《数字图像处理-OpenCV/Python》第16章#xff1a;图像的特征描述 本书京东 优惠购书链接 https://item.jd.com/14098452.html 本书CSDN 独家连载专栏 https://blog.csdn.net/youcans/category_12418787.html 第16章#xff1a;图像的特征描述 特征通常是针对图像中的目标或…《数字图像处理-OpenCV/Python》第16章图像的特征描述 本书京东 优惠购书链接 https://item.jd.com/14098452.html 本书CSDN 独家连载专栏 https://blog.csdn.net/youcans/category_12418787.html 第16章图像的特征描述 特征通常是针对图像中的目标或关键点而言的。目标的边界轮廓通常是一条简单的闭合曲线。针对目标边界的特征描述符称为边界描述符Boundary Descriptors。针对目标所在区域的特征描述符称为区域描述符Region Descriptors。针对关键点的描述符称为关键点描述符Keypoints Descriptors。
本章内容概要
介绍边界描述符如弗里曼链码、傅里叶描述符和傅里叶频谱分析。介绍区域特征描述符如紧致度、圆度、偏心率。介绍灰度共生矩阵。学习和使用方向梯度直方图构造方向梯度直方图HOG关键点描述符。学习和使用二进制描述符如LBP描述符、BRIEF描述符和FREAK描述符。 16.7 特征描述之HOG描述符
方向梯度直方图Histogram of Oriented GradientHOG使用方向梯度的分布作为特征来构造描述符应用非常广泛。 梯度的幅值是边缘和角点检测的基础梯度的方向包含丰富的图像特征。HOG的基本思想图像的局部特征可以用梯度幅值和方向的分布描述。HOG的基本方法是将图像划分成多个单元格计算每个单元格的HOG把每个单元格的HOG连接起来构造为HOG特征向量。 HOG描述符的向量维数不是固定不变的取决于检测图像的大小和单元格的大小。HOG描述符不具有尺度和旋转不变性但具有良好的几何和光学不变性特别适合人体检测。 OpenCV中的函数cv::HOGDescriptor类用于实现HOG描述符。在Python语言中OpenCV提供了HOG类的接口函数cv.HOGDescriptor。
函数原型 cv.HOGDescriptor(_winSize, _blockSize, _blockStride, _cellSize, _nbins) → retval hog.compute(img[, _winStride, _padding]) → descriptors 参数说明
◎ winSize检测窗口大小是形为(w,h)的元组默认值为(64,128)。 ◎ blockSize子块大小是形为(w,h)的元组默认值为(16,16)。 ◎ blockStride子块的滑动步长是形为(w,h)的元组默认值为(8,8)。 ◎ cellSize单元格大小是形为(w,h)的元组默认值为(8,8)。 ◎ nbins直方图的条数是整型数据默认值为9。 ◎ img输入图像允许为单通道图像数据类型为CV_8U。 ◎ winStride窗口大小可选项必须是blockStride的整数倍。 ◎ descriptorsHOG描述符是形为(lenHOG,)的Numpy 数组数据类型为CV_32F。
函数说明
1 计算每个单元格cell的HOG方向梯度的取值范围为0180度等分为nbins个区间将单元格像素的方向梯度分配到nbins个扇形区间累加每个区间内的像素数得到nbins位的HOG向量。 2 构造子块block的HOG多个单元格cell组合为子块block子块的HOG描述符就是多个单元格HOG向量的串联长度为nbins×blockSize/cellSize。 3 整个检测窗口的HOG子块block以步长blockStride在检测窗口内滑动遍历检测窗口检测窗口的HOG就是每个子块block的HOG串联。
注意问题 1 函数cv.HOGDescriptor能实例化HOGDescriptor类定义一个HOGDescriptor类对象。成员函数hog.compute能计算给定图像的HOG描述符。 2 推荐设置检测窗口大小winSize为子块大小blockSize的整数倍子块大小blockSize为单元格大小cellSize的整数倍子块大小blockSize为滑动步长blockStride的整数倍。 3 函数中方向梯度的取值范围是0180度而不是0360度。 4 函数cv::HOGDescriptor类的功能丰富参数和成员函数很多可以实现尺度不变性的检测。更多使用方法可以参见OpenCV官方文档。 【例程1609】特征描述之HOG描述符
本例程介绍基于距离变换的分水岭算法的实现方法通过每个像素到最近的零像素点生成标注图像。 基于距离变换的分水岭算法的主要步骤如下。 1 通过阈值分割将灰度图像转换为二值图像使用开运算消除噪点。 2 通过形态学的膨胀运算生成确定背景区域sureBG。 3 通过距离变换由阈值分割得到高亮区域生成确定前景区域sureFG。 4 对确定前景区域进行连通性分析即对多个分割目标编号。 5 确定前景区域与确定背景区域重合的部分作为待定区域unknown。 6 从连通域标记图像中去除确定背景区域作为标注图像。 7 基于标记图像使用分水岭算法进行分割得到分割的目标轮廓标注为-1。 # 【1609】特征描述之 HOG 描述符
import cv2 as cv
import numpy as np
from matplotlib import pyplot as pltdef drawHOG(image, descriptors, cx, cy, rad):angles np.arange(0, 180, 22.5).astype(np.float32) # start, stop, stepnormGrad descriptors/np.max(descriptors).astype(np.float32)gx, gy cv.polarToCart(normGrad*rad, angles, angleInDegreesTrue)for i in range(angles.shape[0]):px, py int(cxgx[i]), int(cygy[i])cv.arrowedLine(image, (cx,cy), (px, py), 0, tipLength0.1) # 黑色return imageif __name__ __main__:# (1) 读取样本图像构造样本图像集合img cv.imread(../images/Fig1101.png, flags0) # 灰度图像height, width, wCell, d 200, 200, 20, 10img cv.resize(img, (width, height)) # 调整为统一尺寸# (2) 构造 HOG 检测器winSize (20, 20)blockSize (20, 20)blockStride (20, 20)cellSize (20, 20)nbins 8hog cv.HOGDescriptor(winSize, blockSize, blockStride, cellSize, nbins)lenHOG nbins * (blockSize[0]/cellSize[0]) * (blockSize[1]/cellSize[1]) \* ((winSize[0]-blockSize[0])/blockStride[0] 1) \* ((winSize[1]-blockSize[1])/blockStride[1] 1)print(length of descriptors:, lenHOG)# (3) 计算检测区域的 HOG 描述符xt, yt 80, 80 # 检测区域位置cell img[xt:xtwCell, yt:ytwCell]cellDes hog.compute(cell) # HOG 描述符(8,)normGrad cellDes/np.max(cellDes).astype(np.float32)print(shape of descriptors:{}.format(cellDes.shape))print(cellDes)# (4) 绘制方向梯度示意图imgGrad cv.resize(cell, (wCell*10, wCell*10), interpolationcv.INTER_AREA)Gx cv.Sobel(img, cv.CV_32F, 1, 0, ksize5) # X 轴梯度 GxGy cv.Sobel(img, cv.CV_32F, 0, 1, ksize5) # Y 轴梯度 GymagG, angG cv.cartToPolar(Gx, Gy, angleInDegreesTrue) # 用极坐标求幅值与方向 (0~360度)print(magG.min(), magG.max(), angG.min(), angG.max())7angCell angG[xt:xtwCell, yt:ytwCell]box np.zeros((4, 2), np.int32) # 计算旋转矩形的顶点, (4, 2)for i in range(wCell):for j in range(wCell):cx, cy i*10d, j*10drect ((cx,cy), (8,1), angCell[i,j]) # 旋转矩形类box np.int32(cv.boxPoints(rect)) # 计算旋转矩形的顶点(4, 2)cv.drawContours(imgGrad, [box], 0, (0,0,0), -1)# (5) 绘制检测区域的HOGcellHOG np.ones((201,201), np.uint8) # 白色cellHOG drawHOG(cellHOG, cellDes, xtd, ytd, 40)# (6) 绘制图像的HOGimgHOG np.ones(img.shape, np.uint8)*255 # 白色for i in range(10):for j in range(10):xc, yc 20*i, 20*jcell img[xc:xcwCell, yc:ycwCell]descriptors hog.compute(cell) # HOG 描述符(8,)imgHOG drawHOG(imgHOG, descriptors, xcd, ycd, 8)imgWeight cv.addWeighted(img, 0.5, imgHOG, 0.5, 0)plt.figure(figsize(9, 6.2))plt.subplot(231), plt.title(1. Original)cv.rectangle(img, (xt,yt), (xtwCell,ytwCell), (0,0,0), 2) # 绘制 blockplt.axis(off), plt.imshow(img, cmapgray)plt.subplot(232), plt.title(2. Oriented gradient)angNorm np.uint8(cv.normalize(angG, None, 0, 255, cv.NORM_MINMAX))plt.axis(off), plt.imshow(angNorm, cmapgray)plt.subplot(233), plt.title(3. Image with HOG)cv.rectangle(imgWeight, (xt,yt), (xtwCell,ytwCell), (0,0,0), 2) # 绘制 blockplt.axis(off), plt.imshow(imgWeight, cmapgray)plt.subplot(234), plt.title(4. Grad angle of cell)plt.axis(off), plt.imshow(imgGrad, cmapgray)plt.subplot(235), plt.title(5. HOG of cell)strAng (0, 22, 45, 67, 90, 112, 135, 157)plt.bar(strAng, cellDes*wCell*wCell)plt.subplot(236), plt.title(6. HOG diagram of cell)plt.axis(off), plt.imshow(cellHOG, cmapgray) plt.tight_layout()plt.show() 图16-9 可视化的HOG描述符
程序说明
运行结果可视化的HOG描述符如图16-9所示。 1 图16-9(1)所示为原始图像图中黑色方框是一个单元格cell。图16-9(2)所示为原始图像的方向梯度图像素值的大小反映了方向梯度的角度。 2 图16-9(4)所示为图16-9(1)中方框位置单元格cell的方向梯度图图中的线段表示像素点的方向梯度注意例程中方向梯度的范围是0180度。 3 图16-9(5)所示为对图16-9(4)单元格中的所有像素点按8个方向区间绘制的HOG。图16-9(6)所示为图16-9(5)的单元格HOG的空间矢量。 4 图16-9(3)所示为整个图像的可视化HOG。将图像划分为10×10个单元格计算每个单元格的HOG表示为图16-9(6)所示的空间矢量形式。 5 例程介绍了HOG处理过程和结果的各种图像是为了便于理解HOG的思路和计算步骤。在实际应用中检测图像的HOG是维数为lenHOG的特征向量而不是二维图像。 版权声明 youcansxupt 原创作品转载必须标注原文链接(https://blog.csdn.net/youcans/article/details/139766654) Copyright 2024 youcans, XUPT Crated2024-06-18
《数字图像处理-OpenCV/Python》 独家连载专栏 : https://blog.csdn.net/youcans/category_12418787.html
