【opencv学习】图像特征检测

import cv2
import numpy as np
import matplotlib.pyplot as plt


# 什么是特征？
# 当你看到芒果图像时，如何识别它是芒果？
# 通过分析颜色、形状和质地，你可以说它是芒果。
# 用于识别图像的线索称为图像的特征。同样，计算机视觉的功能是检测图像中的各种特征。


# 1：特征的定义：
# 我们将图像中的某个特别的区域作为一个特征。特征是图像中有意义的图像区域，该区域具有独特特性或易于识别性。
# 角点和高密度区域是很好的特征，而大量重复的区域或低密度区域则不是很好的特征。边缘可将图像分为两个区域，因此也可作为好的特征。
# 斑点也是有意义的特征。

# 2：特征的提取：
# 将原始特征转换为一组具有明显物理意义、几何特征（角点，不变量）、纹理（LBP HOG）、统计意义或核的特征；

# 3：特征的选择：
# 从特征几何中挑选一组最具统计意义的特征，达到降维的目的。
# 通过合适的特征选择可以减少数据存储和输入数据带宽，减少冗余，发现更有意义的潜在变量。
# 由于某些算法在识别和提取某种类型特征的时候有较好的效果，所以输入图像是何种类型特征很重要，有利于选择最合适的特征检测算法。

# 展示图像，封装成函数
def cv_show_image(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)  # 等待时间，单位是毫秒，0代表任意键终止
    cv2.destroyAllWindows()


# 使用opencv的一些内置的算法来实现对图像特征的检测, 从图像中提取的到的特征可以用来进行图像的匹配和检索
# 常用的图像特征检测算法
# Harris:   检测角点
# SIFT:     检测斑点
# SURF:     检测斑点
# FAST:     检测角点
# BRIEF:    检测斑点
#
# 图像特征就是图像中最具有独特性和具有区别性的图像区域．
# 在图像中特征区域主要分布在角点，高密度区域，边缘（边缘可以将图像分成多个区域),斑点（与周围像素差别很大的区域）

# ==========================================================
# 第一部分：cornerHarrir()角点的检测
img1 = cv2.imread('images/build.jpeg')
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)

# 参数说明：
# src：是数据类型为float32的输入图像，表示输入的灰度图，
# blocksize：我们检测过程中需要一个窗口，这个就是窗口的大小，W(x,y)
# kszie：运用Sobel算子求解每个像素的梯度。有Ix和Iy方向的。
# k：是角点响应值运算中的α数值，一般推荐是[0.06, 0.06]
dst = cv2.cornerHarris(src=gray1, blockSize=3, ksize=3, k=0.04)
# 　特征点标记为红色
img1[dst > 0.025 * dst.max()] = (0, 0, 255)
cv_show_image('harris', img1)

# ==========================================================
# 第二部分：DOG和SIFT进行特征提取
# 在某些情况下对图像进行缩放后，角点信息可能会丢失，这时候Harri便不能检测到所有的角点，
# SIFT(scale-invariant feature transform)刚好克服了这个问题，对图像特征的检测，
# 尽量不受图像尺寸变化的影响．SIFT并不直接检测关键点，
# 关键点的检测是由DOG(Difference of Gaussians）检测的．SIFT仅通过特征向量来描述特征点周围的像素情况．
# DOG是通过不同的高斯滤波器对同一张图像进行处理，来得到关键点的．

img2 = cv2.imread('images/build.jpeg')
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

sift = cv2.xfeatures2d.SIFT_create()
keypoints, descriptor = sift.detectAndCompute(gray2, None)

# 打印特征点的信息
for index, kpoint in enumerate(keypoints):
    print("DOG和SIFT进行特征提取: pt[0]:{}\tpt[1]:{}\toctave:{}\tresponse:{}\t]size:{}\tangle:{}\t".format(
        kpoint.pt[0], kpoint.pt[1], kpoint.octave, kpoint.response, kpoint.size,
        kpoint.angle))

# 将关键点标记的图片上
img2 = cv2.drawKeypoints(image=img2, outImage=img2, keypoints=keypoints,
                         flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS,
                         color=(255, 0, 0))

cv_show_image('DOG and SIFT', img2)

# ==========================================================
# 第三部分：基于ORB的特征检测
# ORB是基于FAST关键点检测技术和BRIEF描述符结合的特征检测技术．
# 　　　FAST(Features from Accelerated Segment Test)算法会在像素周围绘制一个圆，
#           圆内包含16个像素，FAST算法是将圆内的像素分别与加上一个阈值的圆心像素作比较，
#           若圈内出现连续的几个像素比加上一个阈值的像素还亮或是暗，则可认为圆心是角点．
#           FAST是一个很有效率的检测算法，但是需要确定阈值参数来检测角点．
# 　　　BRIEF(Binary Robust Independent Elementary Features）在OpenCV中主要是通过detectAndCompute()来实现，
#           这个函数包含两个部分，检测和计算，同时也返回两个结果．一个是检测到的关键点，一个是描述符．
#           SIFT和SURF也是这样．关键点的描述符包含了图像的关键信息，可看作是图像的另一种表现形式，
#           在比较两个图像的时候可以通过比较两个图像的特征描述来实现．也可以用来做图像特征的匹配．

img3 = cv2.imread('images/build.jpeg')
gray3 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

orb = cv2.ORB_create()
keypoints, descriptor = orb.detectAndCompute(gray3, None)

# 打印特征点的信息
for index, kpoint in enumerate(keypoints):
    print("ORB的特征检测: pt[0]:{}\tpt[1]:{}\toctave:{}\tresponse:{}\t]size:{}\tangle:{}\t".format(
        kpoint.pt[0], kpoint.pt[1], kpoint.octave, kpoint.response, kpoint.size,
        kpoint.angle))

img3 = cv2.drawKeypoints(image=img3, outImage=img3, keypoints=keypoints,
                         flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS,
                         color=(255, 0, 0))

cv_show_image('ORB', img3)

# ==========================================================
# 第四部分：Shi-Tomasi 角点检测器

img4 = cv2.imread('images/build.jpeg')
gray4 = cv2.cvtColor(img4, cv2.COLOR_BGR2GRAY)

corners = cv2.goodFeaturesToTrack(gray4, 20, 0.01, 10)
corners = np.int0(corners)
for i in corners:
    x, y = i.ravel()
    cv2.circle(img4, (x, y), 3, (255, 0, 0), 3)

cv_show_image('Shi-Tomasi', img4)

# ==========================================================
# 第五部分：斑点检测

img5 = cv2.imread('images/build.jpeg')
gray5 = cv2.cvtColor(img5, cv2.COLOR_BGR2GRAY)

detector = cv2.SimpleBlobDetector_create()
keypoints = detector.detect(gray5)
im_with_keypoints = cv2.drawKeypoints(img5, keypoints, np.array([]), (255, 0, 0),
                                      cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

# 打印特征点的信息
for index, kpoint in enumerate(keypoints):
    print("ORB的特征检测: pt[0]:{}\tpt[1]:{}\toctave:{}\tresponse:{}\t]size:{}\tangle:{}\t".format(
        kpoint.pt[0], kpoint.pt[1], kpoint.octave, kpoint.response, kpoint.size,
        kpoint.angle))

cv_show_image('SimpleBlobDetector_create', im_with_keypoints)

# ==========================================================
# 第六部分：二元鲁棒独立基本特征（BRIEF）

img6 = cv2.imread('images/build.jpeg')
gray6 = cv2.cvtColor(img6, cv2.COLOR_BGR2GRAY)

star = cv2.xfeatures2d.StarDetector_create()
brief = cv2.xfeatures2d.BriefDescriptorExtractor_create()
keypoints = star.detect(gray6, None)
keypoints, descriptor = brief.compute(gray6, keypoints)
print(brief.descriptorSize())
print(descriptor.shape)
im_with_keypoints = cv2.drawKeypoints(img6, keypoints, None, color=(255, 0, 0),
                                      flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)


cv_show_image('BRIEF', im_with_keypoints)

# # ==========================================================
# # 第七部分：特征匹配
#
# img1 = cv2.imread('images/saoge.jpg')
# img2 = cv2.imread('images/template.jpg')
# gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
# gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
#
# # 分别进行特征检测
# sift = cv2.xfeatures2d.SIFT_create()
# kp1, des1 = sift.detectAndCompute(gray1, None)
# kp2, des2 = sift.detectAndCompute(gray2, None)
# print(des2.shape)
# # 整一个匹配器
# bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
# matches = bf.match(des1, des2)  # 进行匹配
# matches = sorted(matches, key=lambda x: x.distance)
#
# # 在图上画出来
# match_img = cv2.drawMatches(img1, kp1, img2, kp2, matches[:50], None)
#
# cv2.imshow('original image', img1)
# cv2.imshow('test image', img2)
# cv2.imshow('Matches', match_img)
# cv2.waitKey()

# 第四部分：特征点包括的信息
# 特征点的数量和描述符的数量是相等的,他们是一一对应的,他们都存放在一个列表对象当中,每个关键点包含6个属性,分别是:
# pt : 关键点在图像中的坐标信息
# size : 关键点所在区域的直径信息
# angle : 关键点的方向信息
# response : 关键点的强度信息
# octave : 是关于该特征来自图像金字塔的层级信息
# calss_id : 特征id

效果如下：
cornerHarrir()角点的检测

DOG和SIFT进行特征提取

基于ORB的特征检测

Shi-Tomasi 角点检测器

斑点检测

二元鲁棒独立基本特征（BRIEF）

本文学习自：
OpenCV3.0－图像特征检测
使用 OpenCV 对图像进行特征检测、描述和匹配

标签：特征,检测,cv2,keypoints,opencv,图像,kpoint
来源： https://blog.csdn.net/qq_29367075/article/details/123028920