opencv特征检测

一 harris角点检测

基本思想        

使用一个固定的小窗口在图像上进行任意方向的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化（sobel算子），那么我们可以认为该窗口中存在角点。

如图中有一个框框，如果他的上下左右像素值都发生了变化，那么就把这个点看作角点。

具体代码

# ========== Harris角点检测 ==========
# 读取图像
img = cv2.imread('img.png')
# 转换为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# Harris角点检测
# blockSize: 角点检测中要考虑的邻域大小
# ksize: Sobel求导中使用的窗口大小
# k: Harris角点检测方程中的自由参数，取值参数为[0.04,0.06]
dst = cv2.cornerHarris(gray, blockSize=4, ksize=3, k=0.04)# 标记检测到的角点
# 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() 是一个阈值，大于这个值的像素点会被标记为红色
img[dst > 0.05 * dst.max()] = [0, 0, 255]# 显示结果
cv2.imshow('Harris Corner Detection', img)
cv2.waitKey(0)

效果展示

特征检测：sift特征检测

        SIFT(Scale Invariant Feature Transform)尺度不变特征变换。SIFT特征具有对旋转、尺度缩放、亮度变化等保持不变性，是一种非常稳定的局部特征。（这个算法是特征检测中最重要的方法）

特点

1、图像的局部特征，对旋转、尺度缩放、亮度变化保持不变，对视角变化、仿射变换、噪声也保持一定程度的稳定性。

2、独特性好，信息量丰富，适用于海量特征库进行快速、准确的匹配。

3、多量性，即使是很少几个物体也可以产生大量的SIFT特征

4、高速性，经优化的SIFT匹配算法甚至可以达到实时性

5、扩招性，可以很方便的与其他的特征向量进行联合。

具体代码

# ========== SIFT特征提取 ==========
# 读取另一张图像
man = cv2.imread('img.png')
man_gray = cv2.cvtColor(man, cv2.COLOR_BGR2GRAY)# 创建SIFT特征提取对象
sift = cv2.SIFT_create()# 在图像中查找关键点
kp = sift.detect(man_gray, None)# 绘制关键点
# flags参数说明：
# cv2.DRAW_MATCHES_FLAGS_DEFAULT - 默认方式
# cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS - 绘制富有信息的关键点
man_sift = cv2.drawKeypoints(man, kp, outImage=None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)# 显示结果
cv2.imshow('SIFT Keypoints', man_sift)
cv2.waitKey(0)# 计算关键点描述符
kp, des = sift.compute(man_gray, kp)# 输出关键点的形状和描述符的形状
print("关键点形状:", np.array(kp).shape)
print("描述符形状:", des.shape)# 关键点属性说明：
# kp.pt: 关键点的(x, y)坐标
# kp.size: 关键点的大小(尺度)
# kp.angle: 关键点的方向
# kp.response: 关键点的响应值
# kp.octave: 关键点所在的金字塔层级

其中

kp = sift.detect(man_gray, None)

检测完返回了所有的信息然后就可以画了。

结果展示