当前位置：首页 > news >正文

计算机视觉----opencv高级操作（二）（图像的直方图均衡化，角点检测，特征提取Sift）

news 2025/9/13 8:17:08

数据准备：（这是参考图片，实际可以换成自己想用的图片）

black.jpg

zhiwen_duan.png

mm.jpg

一、图像的直方图均衡化

概念：直方图均衡化是一种增强图像对比度的方法，通过调整图像的灰度分布，使原本灰度值集中的区域变得更分散，从而让图像细节更清晰。
原理：基于图像的灰度直方图（统计每个灰度值出现的频率），将其映射为均匀分布的直方图，扩展灰度值的动态范围。
应用：常用于医学影像、监控图像等对比度较低的场景，改善视觉效果。
OpenCV 实现：通过 cv2.equalizeHist() 函数实现，需注意该函数仅支持单通道（灰度）图像。

示例代码

woman = cv2.imread('black.jpg',cv2.IMREAD_GRAYSCALE)
woman = cv2.resize(woman,(300,400))
plt.hist(woman.ravel(),bins=256)
plt.show()
###
woman_equalize = cv2.equalizeHist(woman)
plt.hist(woman_equalize.ravel(),bins=256)res = np.hstack((woman,woman_equalize))
cv_show('woman_equalize',res)# # # 自适应直方图均衡化(局部直方图处理), 通过局部调整图像的直方图分布来提升图像的对比度和细节表现力, 当需要保存细节特征, 需要做局部处理
# # # cv2.createCLAHE([, clipLimit[, tileGridSize]]) → retval
# # # 参数说明:
# # # clipLimit: 颜色对比度的阈值, 可选项, 默认值8
# # # titleGridSize: 局部直方图均衡化的模板(邻域)大小, 可选项, 默认值(8, 8)clahe = cv2.createCLAHE(clipLimit=1,tileGridSize=(16,16))
woman_clahe = clahe.apply(woman)
res = np.hstack((woman,woman_equalize,woman_clahe))
cv_show('phone_equalize',res)

二、角点检测

概念：角点是图像中灰度变化剧烈的点（如物体的拐角、边缘的交点），是图像中稳定且具有代表性的特征。
常用算法：
- Harris 角点检测：通过计算图像局部区域的灰度变化，判断是否为角点（在任意方向移动窗口，灰度变化都很大）。
- Shi-Tomasi 角点检测：对 Harris 算法的改进，通过更合理的响应函数提高角点检测的稳定性。
应用：图像拼接、目标跟踪、相机标定等，用于提取图像中的关键特征点。
OpenCV 实现：cv2.cornerHarris()（Harris 算法）和 cv2.goodFeaturesToTrack()（Shi-Tomasi 算法）。

cornerHarris(img, blockSize, ksize, k[, dst[, borderType]]) -> dstimg: 输入图像。blockSize: 角点检测中要考虑的领域大小。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: 返回numpy.ndarray对象,大小和src相同,值越大,对应像素是角点的概率越高

示例代码


img = cv2.imread("zhiwen_duan.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
dst = cv2.cornerHarris(gray, blockSize=4, ksize=3, k=0.04)# 标记检测到的角点
img[dst > 0.05 * dst.max()] = [0, 0, 255]
# 这里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。
cv2.imshow("img", img)
cv2.waitKey(0)

三、SIFT 特征提取

概念：SIFT（Scale-Invariant Feature Transform，尺度不变特征变换）是一种局部特征描述算法，能在不同尺度、旋转、光照条件下提取稳定的特征点。
特点：
- 尺度不变性：通过高斯金字塔和差分高斯金字塔检测不同尺度下的特征点。
- 旋转不变性：以特征点的梯度方向为基准进行方向归一化。
- 鲁棒性：对光照变化、噪声、部分遮挡等有较强的抵抗能力。
应用：图像匹配、物体识别、全景拼接等。
OpenCV 实现：由于专利原因，OpenCV 较高版本中 SIFT 需通过 cv2.SIFT_create() 调用（需安装扩展模块），返回的特征点包含位置、尺度、方向和描述子等信息。
sift.detect(img)在图像中查找关键点

示例代码：

man = cv2.imread("mm.jpg")
man_gray = cv2.cvtColor(man, cv2.COLOR_BGR2GRAY)#
sift = cv2.SIFT_create()  # sift对象
kp = sift.detect(man_gray)
# 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。
# 绘制富有关信息的关键点。
man_sift = cv2.drawKeypoints(man, kp, outImage=None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imshow("man_sift", man_sift)
cv2.waitKey(0)
#
# ## 使用sift.compute()计算关键点描述符,方便后期的特征匹配
kp, des = sift.compute(man, kp)  #
print(np.array(kp).shape, des.shape)
# 输出关键点的形状描述符的形状。
# np.array(kp).shape 表示关键点的数量和属性。
# des.shape 表示描述符的数量和属性

扩展（一些额外的特征提取方法）

除了 SIFT 之外，OpenCV 中还有许多常用的特征提取算法，各自适用于不同场景，以下是一些补充：

1. SURF（Speeded Up Robust Features）

特点：SIFT 的加速版本，通过近似计算减少运算量，同时保持了尺度、旋转不变性，对模糊和光照变化也有较强鲁棒性。
原理：使用盒式滤波器近似高斯二阶导数，简化特征点检测和描述子计算，速度比 SIFT 快数倍。
应用：实时性要求较高的场景，如视频流中的目标匹配。
注意：同 SIFT 一样受专利保护，需通过 OpenCV 扩展模块调用（cv2.xfeatures2d.SURF_create()）。

2. ORB（Oriented FAST and Rotated BRIEF）

特点：开源免费的高效特征提取算法，结合了 FAST 角点检测和 BRIEF 描述子的优点，并添加了旋转不变性和尺度不变性改进。
原理：
- 用 FAST 算法快速检测角点（通过比较像素与周围邻域像素的灰度差异）。
- 为特征点分配方向（基于灰度质心），解决 BRIEF 描述子不具备旋转不变性的问题。
优势：速度远快于 SIFT 和 SURF，适合实时应用。
应用：SLAM（同步定位与地图构建）、实时目标跟踪、移动端视觉任务。
OpenCV 实现：cv2.ORB_create()。

3. BRIEF（Binary Robust Independent Elementary Features）

特点：一种二进制描述子算法，不负责特征点检测（需配合其他角点检测算法，如 FAST），仅生成二进制特征描述符。
原理：通过随机选择特征点周围的若干对像素，比较其灰度值生成二进制串（0/1），计算速度快且存储成本低。
局限：不具备旋转和尺度不变性，对光照变化较敏感。
应用：对速度要求高但场景稳定的任务（如静态图像匹配）。

4. FAST（Features from Accelerated Segment Test）

特点：一种快速角点检测算法，专注于特征点定位而非描述，以速度快著称。
原理：在像素周围画一个半径为 3 的圆，若圆上有连续 N 个像素的灰度值与中心像素差异超过阈值，则判定为角点（常用 N=12）。
优势：检测速度极快，适合实时系统。
局限：不生成特征描述子，需与其他描述子（如 BRIEF）结合使用。

5. 特征提取的核心思路

特征点：优先选择图像中稳定、独特的点（如角点、边缘端点、斑点），这些点在视角变化时仍能被稳定识别。
描述子：对特征点周围的局部区域进行编码（如灰度分布、梯度信息），生成可用于匹配的向量或二进制串，描述子需具备区分性（不同特征点的描述子差异大）和鲁棒性（同一特征点在不同条件下的描述子相似）。
匹配方式：常用欧氏距离（对 SIFT/SURF）或汉明距离（对二进制描述子如 ORB/BRIEF）衡量两个特征点的相似度。