开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> 【OpenCV图像处理12】特征检测与匹配 -> 正文阅读

[人工智能]【OpenCV图像处理12】特征检测与匹配

文章目录

十二、特征检测与匹配

十二、特征检测与匹配

1、特征检测

特征检测是计算机视觉和图像处理中的一个概念。

它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征检测的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。

特征检测包括：

边缘检测
角检测
区域检测
脊检测

特征检测应用场景：

图像搜索，比如以图搜图
拼图游戏
图像拼接
…

以拼图游戏为例来说明特征检测的应用流程：

寻找特征
- 特征是唯一的
- 特征是可追踪的
- 特征是能比较的

我们发现：

平坦部分很难找到它在原图中的位置
边缘相比平坦要好找一些，但是也不能一下确定
角点可以一下就找到其在原图中的位置

图像特征就是值有意义的图像区域，具有独特性，易于识别性，比较角点、斑点以及高密度区。

在图像特征中最重要的就是角点，但哪些是角点呢？

灰度梯度的最大值对应的像素
两条线的交点
极值点（一阶导数最大，二阶导数为0）

1.1 Harris角点检测

1.1.1 算法原理

检测窗口在图像上移动，上图对应着三种情况：

在平坦区域，无论向哪个方向移动，衡量系统变换不大。
在边缘区域，向垂直边缘移动时，衡量系统变换剧烈。
在角点处，往哪个方向移动，衡量系统都变换剧烈。

1.1.2 实际应用

cornerHarris()用法：

cv2.cornerHarris(src, blockSize, ksize, k, dst: None, borderType: None)

参数说明：

blockSize：检测窗口大小
ksize：Sobel的卷积核
k：权重系数，即上面公式中的 $\alpha$ ，是个经验值，一般取0.04~0.06之间（默认为0.04）。

代码实现：

import cv2

img = cv2.imread('../resource/chess.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Harris角点检测
# blockSize没有要求必须是奇数
dst = cv2.cornerHarris(gray, blockSize=2, ksize=3, k=0.04)

# 返回的东西叫做角点响应，每一个像素点都能计算出一个角点响应来
print(img.shape)
print(gray.shape)
# print(dst)
print(dst.shape)

# 显示角点
# 我们认为角点响应大于0.01倍的dst.max()就可以认为是角点
img[dst > 0.01 * dst.max()] = [0, 0, 255]
cv2.imshow('img', img)

cv2.waitKey(0)
cv2.destroyAllWindows()

1.2 Shi-Tomasi角点检测

Shi-Tomasi是对Harris角点检测的改进。

Harris角点检测计算的稳定性和 K 有关，而 K 是一个经验值，不太好设定最佳的K值。

Shi-Tomasi发现，角点的稳定性其实和矩阵 M 的较小特征值有关，于是直接用较小的那个特征值作为分数，这样就不用调整 K 值了。

Shi-Tomasi将分数公式改为如下形式： $min(\lambda_1, \lambda_2)$
和Harris一样，如果该分数大于设定的阈值，我们就认为它是一个角点。

goodFeaturesToTrack()用法：

cv2.goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance, corners: None, mask: None, blockSize: None, useHarrisDetector: None, k: None)

参数说明：

maxCorners：角点的最大数，值为0表示无限制
qualityLevel：角点质量，小于1.0的整数，一般在0.01~0.1之间
minDistance：角点之间最小欧式距离，忽略小于此距离的点
mask：感兴趣的区域
blockSize：检测窗口的大小
useHarrisDetector：是否使用Harris算法
k：默认是0.04

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/chess.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

corners = cv2.goodFeaturesToTrack(gray, maxCorners=0, qualityLevel=0.01, minDistance=10)
corners = np.int0(corners)

# Shi-Tomasi绘制角点
for i in corners:
    x, y = i.ravel()
    cv2.circle(img, (x, y), 3, (255, 0, 0), -1)

cv2.imshow('Shi-Tomasi', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

1.3 SIFT关键点检测

SIFT，即尺度不变特征变换（Scale-invariant feature transform，SIFT），是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。

Harris角点具有旋转不变的特性，但是缩放后，原来的角点有可能就不是角点了。

1.3.1 算法原理

图像尺度空间
- 在一定的范围内，无论物体是大还是小，人眼都可以分辨出来，然而计算机要有相同的能力却很难，所以要让机器能够对物体在不同尺度下有一个统一的认知，就需要考虑图像在不同尺度下都存在的特点。
- 尺度空间的获取通常使用高斯模糊来实现。
- 不同的 $\sigma$ 的高斯函数决定了对图像的平滑程度，越大的 $\sigma $ 值对应的图像越模糊。

多分辨率金字塔

高斯差分金字塔（DOG）

DOG空间极值检测
- 为了寻找尺度空间的极值点，每个像素要和其图像域（同一尺度空间）和尺度域（相邻的尺度空间）的所有相邻点进行比较，当其大于（或者小于）所有相邻点时，该点就是极值点。
- 如下图所示，中间的检测点要和其所在图像 3 * 3 邻域的8个像素点，以及其相邻的上下两层的 3 * 3 邻域的18个像素点，共26个像素点进行比较。

DOG定义公式：

$\sigma) = [G(x, y, k\sigma) - G(x, y, \sigma)] * I(x, y) = L(x, y, k\sigma) - L(x, y, \sigma)$

关键点的精确定位
- 这些候选关键点是DOG空间的局部极值点，而且这些极值点均为离散的点，精确定位极值点的一种方法是：对尺度空间DOG函数进行曲线拟合，计算其极值点，从而实现关键点的精确定位。

消除边界响应

特征点的主方向
- 每个特征点可以得到三个信息 $\sigma, \theta)$ ，即位置、尺度和方向。具有多个方向的关键点可以被复制成多份，然后将方向值分别赋给赋值后的特征点，一个特征点就产生了多个坐标、尺度相等，但是方向不同的特征点。

生成特征描述
- 为了保证特征矢量的旋转不变性，要以特征点为中心，在附近邻域内将坐标轴旋转 $\theta$ 角度，即将坐标轴旋转为特征点的主方向。
- 旋转之后的主方向为中心取 8 * 8 的窗口，求每个像素的梯度幅值和方向，箭头方向代表梯度方向，长度代表梯度幅值，然后利用高斯窗口对其进行加权运算，最后在每个 4 * 4 的小块上绘制 8 个方向的梯度直方图，计算每个梯度方向的累加值，即可形成一个种子点，即每个特征点由 4 个种子点组成，每个种子点由 8 个方向的向量信息。
- 论文中建议对每个关键点使用 4 * 4 共 16 个种子点来描述，这样一个关键点就会产生 128 维的SIFT特征向量。

1.3.2 实际应用

使用SIFT的步骤：

创建SIFT对象：sift = cv2.xfeatures2d.SIFT_create()
进行检测：kp = sift.detect(gray)
绘制关键点：cv2.drawKeypoints(gray, kp, img)

代码实现：

import cv2

img = cv2.imread('../resource/chess.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 创建SIFT对象
# 注意：xfeatures2d是OpenCV的扩展包中的内容，需要安装opencv-contrib-python
sift = cv2.xfeatures2d.SIFT_create()

# 进行检测
kp = sift.detect(gray)
# kp是一个列表，存放的是封装的KeyPoint对象
print(kp)

# 绘制关键点
cv2.drawKeypoints(gray, kp, img)

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

1.3.3 关键点和描述子

关键点：位置、大小和方向

关键点描述子：记录了关键点周围对其有共享的像素点的一组向量值，其不受仿射变换、光照变换等影响，描述子的作用就是进行特征匹配，在后面进行特征匹配的时候会用上。

1、计算描述子

kp, des = sift.compute(img, kp)

其作用是进行特征匹配。

2、同时计算关键点和描述子

kp, des = sift.detectAndCompute(img, ...)

mask：指明对img中哪个区域进行计算。

代码实现：

import cv2

img = cv2.imread('../resource/chess.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 创建SIFT对象
sift = cv2.xfeatures2d.SIFT_create()

# 进行检测
kp = sift.detect(gray)

# 检测关键点，并计算描述子
kp, des = sift.compute(img, kp)
# 或者一步到位，把关键点和描述子一起检测出来
# kp, des = sift.detectAndCompute(img, None)

print(kp)
print(len(kp))
print(type(des))
print(des)
print(des.shape)

(<KeyPoint 000001A931FBFE40>, <KeyPoint 000001A931FBFE70>, <KeyPoint 000001A931FBFEA0>, <KeyPoint 000001A931FBFED0>, <KeyPoint 000001A931FBFF00>, <KeyPoint 000001A931FBFF30>, <KeyPoint 
 ...
000001A931FC47E0>)
391
<class 'numpy.ndarray'>
[[ 0.  0.  9. ...  0.  0.  0.]
 [ 0.  2. 20. ...  0.  0.  0.]
 [ 0.  0. 26. ...  0.  0.  0.]
 ...
 [ 0.  0.  9. ...  0.  0.  0.]
 [ 0.  0.  7. ...  0.  0.  0.]
 [ 0.  5. 29. ...  0.  0.  0.]]
(391, 128)

1.4 SURF特征检测

Speed Up Robust Features（SURF，加速稳健特征），是一种稳健的局部特征点检测和描述算法。

最初由Herbert Bay发表在2006年的欧洲计算机视觉会议（European Conference on Computer Vision，ECCV）上，并在2008年正式发表在Computer Vision and Image Understanding期刊上。

SURF是对David Lowe在1999年提出的SIFT算法的改进，提升了算法的执行效率，为算法在实时计算机视觉系统中应用提供了可能。

如果想对一系列的图像进行快速的特征检测，使用SIFT会非常慢。因此SIFT最大的问题就是速度慢，所以才有了SURF。

注意：SURF在较新版本的OpenCV中已经申请专利。需要降OpenCV版本才能使用，降到3.4.1.15就可以使用了。

使用SURF的步骤：

创建SURF对象：surf = cv2.xfeatures2d.SURF_create()
进行检测：kp, des = surf.detectAndCompute(img, mask)
绘制关键点：cv2.drawKeypoints(gray, kp, img)

代码实现：

import cv2

img = cv2.imread('../resource/chess.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 创建SURF对象
surf = cv2.xfeatures2d.SURF_create()

# 进行检测
kp, des = surf.detectAndCompute(gray, None)
print(des[0])

# 绘制关键点
cv2.drawKeypoints(gray, kp, img)

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

版权问题，运行不出来，降OpenCV版本也出错了。

1.5 ORB特征检测

ORB（Oriented FAST and Rotated BRIEF），可以做到实时检测。

FAST：可以做到特征点的实时检测。

BRIEF：对已经检测到的特征点进行描述，加快了特征描述符建立的速度，同时也极大的降低了特征匹配的时间。

使用ORB的步骤：

创建ORB对象：orb = cv2.ORB_create()
进行检测：kp, des = orb.detectAndCompute(gray, None)
绘制关键点：cv2.drawKeypoints(gray, kp, img)

代码实现：

import cv2

img = cv2.imread('../resource/chess.bmp')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 创建ORB对象
orb = cv2.ORB_create()

# 进行检测
kp, des = orb.detectAndCompute(gray, None)
print(des[0])

# 绘制关键点
cv2.drawKeypoints(gray, kp, img)

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

2、特征匹配

2.1 暴力特征匹配

BF（Brute-Force），暴力特征匹配方法。它使用第一组中的每个特征的描述子，与第二组中的所有特征描述子进行匹配，计算它们之间的差距，然后将最接近一个匹配返回。

基本步骤：

创建匹配器：cv2.BFMatcher()
进行特征匹配：bf.match()
绘制匹配点：cv2.drawMatches()

BFMatcher()用法：

bf = cv2.BFMatcher(normType: None, crossCheck: None)

normType：NORM_L1，NORM_L2 （默认），NORM_HAMMING，NORM_HAMMING2，…
- NORM_L1：取描述子的绝对值进行加法运算
- NORM_L2：欧氏距离
- HAMMING：通过判断二进制位

L1 and L2 norms are preferable choices for SIFT and SURF descriptors,

NORM_HAMMING should be used with ORB, BRISK and BRIEF, NORM_HAMMING2 should be used with ORB when WTA_K==3 or 4 .

crossCheck：是否进行交叉匹配，默认为False

match()用法： 对两幅图的描述子进行计算

match = bf.match(queryDescriptors, trainDescriptors, mask: None)

参数为：SIFT、SURF、ORB等计算的描述子

drawMatches()用法：

cv2.drawMatches(img1, keypoints1, img2, keypoints2, matches1to2, outImg, matchColor: None, singlePointColor: None, matchesMask: None, flags: None)

参数为：搜索img， kp；匹配图img，kp；match()方法返回的结果match。

代码实现：

import cv2

img1 = cv2.imread('../resource/cv.bmp')
img2 = cv2.imread('../resource/cv.webp')
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

# 创建SIFT特征检测器
sift = cv2.xfeatures2d.SIFT_create()

# 进行检测,计算描述子与特征点
kp1, des1 = sift.detectAndCompute(gray1, None)
kp2, des2 = sift.detectAndCompute(gray2, None)

# 创建匹配器
bf = cv2.BFMatcher(cv2.NORM_L1)

# 进行特征匹配
match = bf.match(des1, des2)

# 绘制匹配点
img = cv2.drawMatches(img1, kp1, img2, kp2, match, None)

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

2.2 FLANN特征匹配

FLANN优缺点：

在进行批量特征匹配时，FLANN速度更快。
由于它使用的是邻近近似值，所以精度较差。

基本步骤：

创建FLANN匹配器：cv2.FlannBasedMatcher()
进行特征匹配：flann.match/knnMatch
绘制匹配点：cv2.drawMatches()/drawMatchesKnn()

FlannBasedMatcher()用法：

# index_params = dict(algorithm=cv2.FLANN_INDEX_KDTREE, tress=5)
index_params = dict(algorithm=1, tress=5)
search_params = dict(checks=50)

flann = cv2.FlannBasedMatcher(index_params, search_params)

index_params字典：匹配算法 KDTREE（SIFT，SURF）、LSH（ORB）
search_params字典：指定KDTREE算法中遍历树的次数

knnMatch()用法：

match = cv2.knnMatch(queryDescriptors, trainDescriptors, k, mask: None, compactResult: None)

queryDescriptors, trainDescriptors：SIFT，SURF，ORB等计算的描述子
k：表示取欧氏距离最近的前k个关键点
返回的是匹配的结果DMatch对象
- DMatch的内容：
  - distance：描述子之间的距离，值越低越好
  - queryIdx：第一幅图像的描述子索引值
  - trainIdx：第二幅图像的描述子索引值
  - imgIdx：第二幅图像的索引值

drawMatchesKnn()用法：

cv2.drawMatchesKnn(img1, keypoints1, img2, keypoints2, matches1to2, outImg, matchColor: None, singlePointColor: None, matchesMask: None, flags: None)

参数为：搜索img，kp；匹配图img，kp；match()方法返回的匹配结果match。

代码实现：

import cv2

# 读取两幅图像
img1 = cv2.imread('../resource/cv.bmp')
img2 = cv2.imread('../resource/cv.webp')
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

# 创建SIFT特征检测器
sift = cv2.xfeatures2d.SIFT_create()

# 进行检测,计算描述子与特征点
kp1, des1 = sift.detectAndCompute(gray1, None)
kp2, des2 = sift.detectAndCompute(gray2, None)

# 创建匹配器
# index_params = dict(algorithm=cv2.FLANN_INDEX_KDTREE, tress=5)
index_params = dict(algorithm=1, tress=5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)

# 进行特征匹配
match = flann.knnMatch(des1, des2, k=2)

# 优化
good = []
for i, (m, n) in enumerate(match):
    if m.distance < 0.7 * n.distance:
        good.append(m)

# 绘制匹配点
ret = cv2.drawMatchesKnn(img1, kp1, img2, kp2, [good], None)

cv2.imshow('ret', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()

3、图像查找

单应性的作用（一）：

单应性的作用（二）：

代码实现：特征匹配 + 单应性矩阵

import cv2
import numpy as np

# 读取两幅图像
img1 = cv2.imread('../resource/cv.bmp')
img2 = cv2.imread('../resource/cv.webp')
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

# 创建SIFT特征检测器
sift = cv2.xfeatures2d.SIFT_create()

# 进行检测,计算描述子与特征点
kp1, des1 = sift.detectAndCompute(gray1, None)
kp2, des2 = sift.detectAndCompute(gray2, None)

# 创建匹配器
# index_params = dict(algorithm=cv2.FLANN_INDEX_KDTREE, tress=5)
index_params = dict(algorithm=1, tress=5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)

# 进行特征匹配
match = flann.knnMatch(des1, des2, k=2)

# 优化
good = []
for i, (m, n) in enumerate(match):
    if m.distance < 0.7 * n.distance:
        good.append(m)

# 做判断
if len(good) >= 4:
    # 单应性矩阵
    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)
    H, _ = cv2.findHomography(srcPts, dstPts, cv2.RANSAC, 5.0)

    # 透视变换
    h, w = img1.shape[:2]
    pts = np.float32([[0, 0], [0, h - 1], [w - 1, h - 1], [w - 1, 0]]).reshape(-1, 1, 2)
    dst = cv2.perspectiveTransform(pts, H)

    # 用线框出来
    cv2.polylines(img2, [np.int32(dst)], True, (255, 0, 255), 3)
else:
    print('The number of good is less than 4.')
    exit()

# 绘制匹配点
ret = cv2.drawMatchesKnn(img1, kp1, img2, kp2, [good], None)
cv2.imshow('ret', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()