溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
Python OpenCV中如何進行特征點檢測與匹配，針對這個問題，這篇文章詳細介紹了相對應的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。
提取圖像的特征點是圖像領域中的關鍵任務，不管在傳統還是在深度學習的領域中，特征代表著圖像的信息，對于分類、檢測任務都是至關重要的；
特征點應用的一些場景：
圖像搜索：以圖搜圖（電商、教育領域）
圖像拼接：全景拍攝（關聯圖像拼接）
拼圖游戲：游戲領域
哈里斯角點檢測主要有以下三種情況：
光滑區域：無論向哪個方向移動，衡量系數不變；
邊緣區域：垂直邊緣移動時，衡量系數變化強烈；
角點區域：不管往哪個方向移動，衡量系數變化強烈；
函數原型：
cornerHarris（img，blockSize，ksize，k）
blockSize：檢測窗口大小；
k：權重系數，一般取0.02~0.04之間；
代碼案例：
img = cv2.imread('chess.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
dst = cv2.cornerHarris(gray, 2, 3, 0.04)
img[dst > 0.01*dst.max()] = (0, 0, 255)
cv2.imshow('harris', img)
cv2.waitKey(0)
說明：是Harris角點檢測的改進，在Harris中需要知道k這個經驗值，而在Shi-Tomasi不需要；
函數原型：
goodFeaturesToTrack（img，…）
maxCorners：角點的最大數量，值為0表示所有；
qualityLevel：角點的質量，一般在0.01~0.1之間（低于的過濾掉）；
minDistance：角點之間最小歐式距離，忽略小于此距離的點；
mask：感興趣區域；
useHarrisDetector：是否使用Harris算法（默認為false）
代碼案例：
img = cv2.imread('chess.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
dst = cv2.goodFeaturesToTrack(gray, 1000, 0.01, 10)
dst = np.int0(dst) # 實際上也是np.int64
for i in dst:
x, y = i.ravel() # 數組降維成一維數組（inplace的方式）
cv2.circle(img, (x, y), 3, (0, 0, 255), -1)
cv2.imshow('harris', img)
cv2.waitKey(0)
本質上和Harris角點檢測相同，效果會好一些，角點數量會多一些；
中文簡譯：與縮放無關的特征轉換；
說明：Harris角點檢測具有旋轉不變性，也就是旋轉圖像并不會影響檢測效果；但其并不具備縮放不變性，縮放大小會影響角點檢測的效果；SIFT具備縮放不變性的性質；
實現步驟：
創建SIFT對象 —— 進行檢測（sift.detect） —— 繪制關鍵點（drawKeypoints）
代碼案例：
img = cv2.imread('chess.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
sift = cv2.xfeatures2d.SIFT_create()
kp = sift.detect(gray, None) # 第二個參數為mask區域
cv2.drawKeypoints(gray, kp, img)
cv2.imshow('sift', img)
cv2.waitKey(0)
首先需要說明，關鍵點和描述子是兩個概念；
關鍵點：位置、大小和方向；
關鍵點描述子：記錄了關鍵點周圍對其有貢獻的像素點的一組向量值，其不受仿射變換，光照變換等影響；描述子的作用就是用于特征匹配；
同時計算關鍵點和描述子的函數（主要使用）：
detectAndCompute（img，…）
代碼案例：
img = cv2.imread('chess.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
sift = cv2.xfeatures2d.SIFT_create()
kp, dst = sift.detectAndCompute(gray, None) # 第二個參數為mask區域得到的dst即為描述子的信息；
中譯：加速的魯棒性特征檢測；
說明：SIFT最大的缺點是速度慢，因此才會有SURF（速度快）；
實現步驟與SIFT一致，代碼如下：
surf = cv2.xfeatures2d.SURF_create() kp, dst = surf.detectAndCompute(gray, None) # 第二個參數為mask區域 cv2.drawKeypoints(gray, kp, img)
由于安裝的opencv-contrib版本過高（有版權問題），已經不支持該功能了，在此就不作展示了；
說明：最大的優勢就是做到實時檢測，缺點就是缺失了很多信息（準確性下降）；
主要是兩個技術的結合：FAST（特征點實時檢測）+ BRIEE（快速描述子建立，降低特征匹配時間）
使用步驟與之前的SIFT一致，代碼如下：
img = cv2.imread('chess.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
orb = cv2.ORB_create()
kp, dst = orb.detectAndCompute(gray, None) # 第二個參數為mask區域
cv2.drawKeypoints(gray, kp, img)
cv2.imshow('orb', img)
cv2.waitKey(0)
可以看出，相比于SIFT以及SURF關鍵點變少了，但是其速度有了很大提升；
匹配原理：類似于窮舉匹配機制，使用第一組中每個特征的描述子與第二組中的進行匹配，計算相似度，返回最接近的匹配項；
實現步驟：
創建匹配器：BFMatcher（normType，crossCheck）
進行特征匹配：bf.match（des1，des2）
繪制匹配點：cv2.drawMatches（img1，kp1，img2，kp2）
代碼案例：
img1 = cv2.imread('opencv_search.png')
img2 = cv2.imread('opencv_orig.png')
g1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
g2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
sift = cv2.SIFT_create()
kp1, dst1 = sift.detectAndCompute(g1, None) # 第二個參數為mask區域
kp2, dst2 = sift.detectAndCompute(g2, None) # 第二個參數為mask區域
bf = cv2.BFMatcher_create(cv2.NORM_L1)
match = bf.match(dst1, dst2)
img3 = cv2.drawMatches(img1, kp1, img2, kp2, match, None)
cv2.imshow('result', img3)
cv2.waitKey(0)
從上圖可看出，匹配的效果還是不錯的，只有一個特征點匹配錯誤；
優點：在進行批量特征匹配時，FLANN速度更快；
缺點：由于使用的時鄰近近似值，所有精度較差；
實現步驟與暴力匹配法一致，代碼如下：
img1 = cv2.imread('opencv_search.png')
img2 = cv2.imread('opencv_orig.png')
g1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
g2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
sift = cv2.SIFT_create()
kp1, dst1 = sift.detectAndCompute(g1, None) # 第二個參數為mask區域
kp2, dst2 = sift.detectAndCompute(g2, None) # 第二個參數為mask區域
index_params = dict(algorithm = 1, trees = 5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)
matchs = flann.knnMatch(dst1, dst2, k=2)
good = []
for i, (m, n) in enumerate(matchs):
if m.distance < 0.7 * n.distance:
good.append(m)
img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, [good], None)
cv2.imshow('result', img3)
cv2.waitKey(0)
上圖可以看出，匹配的特征點數量相比暴力匹配明顯變少了，但速度會快很多；
實現原理：特征匹配 + 單應性矩陣；
單應性矩陣原理介紹：
上圖中表示從兩個不同角度對原圖的拍攝，其中H為單應性矩陣，可通過該矩陣將圖像進行轉換；
下面使用兩個函數實現圖像查找的功能：
findHomography（）：獲得單應性矩陣；
perspectivveTransform（）：仿射變換函數；
代碼實現如下：
img1 = cv2.imread('opencv_search.png')
img2 = cv2.imread('opencv_orig.png')
g1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
g2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
sift = cv2.SIFT_create()
kp1, dst1 = sift.detectAndCompute(g1, None) # 第二個參數為mask區域
kp2, dst2 = sift.detectAndCompute(g2, None) # 第二個參數為mask區域
index_params = dict(algorithm = 1, trees = 5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)
matchs = flann.knnMatch(dst1, dst2, k=2)
good = []
for i, (m, n) in enumerate(matchs):
if m.distance < 0.7 * n.distance:
good.append(m)
if len(good) >= 4:
# 獲得源和目標點的數組
srcPts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1, 1, 2)
dstPts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1, 1, 2)
# 獲得單應性矩陣H
H, _ = cv2.findHomography(srcPts, dstPts, cv2.RANSAC, 5.0)
h, w = img1.shape[:2]
pts = np.float32([[0,0], [0, h-1], [w-1, h-1], [w-1, 0]]).reshape(-1, 1, 2)
# 進行放射變換
dst = cv2.perspectiveTransform(pts, H)
# 繪制查找到的區域
cv2.polylines(img2, [np.int32(dst)], True, (0,0,255))
else:
print('good must more then 4.')
exit()
img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, [good], None)
cv2.imshow('result', img3)
cv2.waitKey(0)
Python主要應用于：1、Web開發；2、數據科學研究；3、網絡爬蟲；4、嵌入式應用開發；5、游戲開發；6、桌面應用開發。
關于Python OpenCV中如何進行特征點檢測與匹配問題的解答就分享到這里了，希望以上內容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關注億速云行業資訊頻道了解更多相關知識。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
