2023.8.19

為了在暑假內(nèi)實(shí)現(xiàn)深度學(xué)習(xí)的進(jìn)階學(xué)習(xí)，特意學(xué)習(xí)一下傳統(tǒng)算法，分享學(xué)習(xí)心得，記錄學(xué)習(xí)日常

SIFT的百科：

SIFT =?Scale Invariant Feature Transform,?尺度不變特征轉(zhuǎn)換

全網(wǎng)最詳細(xì)SIFT算法原理實(shí)現(xiàn)_ssift算法_Tc.小浩的博客-CSDN博客

在環(huán)境配置中要配置opencv：

pip install opencv-contrib-python

SIFT算法的三個(gè)計(jì)算步驟：

? 1，在DOG尺度空間中獲取特征點(diǎn)；

? 2，關(guān)鍵點(diǎn)的方向估計(jì)（尋找主方向）

? 3，通過各關(guān)鍵點(diǎn)的特征向量（關(guān)鍵點(diǎn)的描述子生成）

進(jìn)行兩兩比較找出相互匹配的若干對特征點(diǎn)，建立兩圖間景物間的對應(yīng)關(guān)系，可以基于SIFT實(shí)現(xiàn)圖像拼接

Code of SIFT and lena：

?注意你是否有l(wèi)ena.png圖像

import cv2 as cv

img = cv.imread('lena.png')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
sift = cv.xfeatures2d.SIFT_create()
# sift = cv.SIFT_create()
kp = sift.detect(gray, None)
img = cv.drawKeypoints(gray, kp, img)
cv.imshow("SIFT", img)
cv.imwrite('sift_keypoints.jpg', img)
cv.waitKey(0)
cv.destroyAllWindows()

Result is shown in these figrues : SIFT 提取了lena的特征點(diǎn)?

?基于SIFT的圖片實(shí)現(xiàn)圖片拼接：

? ?代碼是Copy大神的，注意有兩個(gè)代碼，運(yùn)行第二個(gè)喔。代碼所用的圖片也附上！

import numpy as np
import cv2


class Stitcher:

    # 拼接函數(shù)
    def stitch(self, images, ratio=0.75, reprojThresh=4.0, showMatches=False):
        # 獲取輸入圖片
        (imageB, imageA) = images
        # 檢測A、B圖片的SIFT關(guān)鍵特征點(diǎn)，并計(jì)算特征描述子
        (kpsA, featuresA) = self.detectAndDescribe(imageA)
        (kpsB, featuresB) = self.detectAndDescribe(imageB)

        # 匹配兩張圖片的所有特征點(diǎn)，返回匹配結(jié)果
        M = self.matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh)

        # 如果返回結(jié)果為空，沒有匹配成功的特征點(diǎn)，退出算法
        if M is None:
            return None

        # 否則，提取匹配結(jié)果
        # H是3x3視角變換矩陣
        (matches, H, status) = M
        # 將圖片A進(jìn)行視角變換，result是變換后圖片
        result = cv2.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0]))
        # 將圖片B傳入result圖片最左端
        result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB

        # 檢測是否需要顯示圖片匹配
        if showMatches:
            # 生成匹配圖片
            vis = self.drawMatches(imageA, imageB, kpsA, kpsB, matches, status)
            # 返回結(jié)果
            return (result, vis)

        # 返回匹配結(jié)果
        return result

    def detectAndDescribe(self, image):
        # 將彩色圖片轉(zhuǎn)換成灰度圖
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

        # 建立SIFT生成器
        descriptor = cv2.xfeatures2d.SIFT_create()

        # 檢測SIFT特征點(diǎn)，并計(jì)算描述子
        (kps, features) = descriptor.detectAndCompute(image, None)

        # 將結(jié)果轉(zhuǎn)換成NumPy數(shù)組
        kps = np.float32([kp.pt for kp in kps])
        print(kps)

        # 返回特征點(diǎn)集，及對應(yīng)的描述特征
        return (kps, features)

    def matchKeypoints(self, kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh):
        # 建立暴力匹配器
        matcher = cv2.DescriptorMatcher_create("BruteForce")

        # 使用KNN檢測來自A、B圖的SIFT特征匹配對，K=2
        rawMatches = matcher.knnMatch(featuresA, featuresB, 2)

        matches = []
        for m in rawMatches:
            # 當(dāng)最近距離跟次近距離的比值小于ratio值時(shí)，保留此匹配對
            if len(m) == 2 and m[0].distance < m[1].distance * ratio:
                # 存儲兩個(gè)點(diǎn)在featuresA, featuresB中的索引值
                matches.append((m[0].trainIdx, m[0].queryIdx))

        # 當(dāng)篩選后的匹配對大于4時(shí)，計(jì)算視角變換矩陣
        if len(matches) > 4:
            # 獲取匹配對的點(diǎn)坐標(biāo)
            ptsA = np.float32([kpsA[i] for (_, i) in matches])
            ptsB = np.float32([kpsB[i] for (i, _) in matches])

            # 計(jì)算視角變換矩陣
            (H, status) = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)

            # 返回結(jié)果
            return (matches, H, status)

        # 如果匹配對小于4時(shí)，返回None
        return None

    def drawMatches(self, imageA, imageB, kpsA, kpsB, matches, status):
        # 初始化可視化圖片，將A、B圖左右連接到一起
        (hA, wA) = imageA.shape[:2]
        (hB, wB) = imageB.shape[:2]
        vis = np.zeros((max(hA, hB), wA + wB, 3), dtype="uint8")
        vis[0:hA, 0:wA] = imageA
        vis[0:hB, wA:] = imageB

        # 聯(lián)合遍歷，畫出匹配對
        for ((trainIdx, queryIdx), s) in zip(matches, status):
            # 當(dāng)點(diǎn)對匹配成功時(shí)，畫到可視化圖上
            if s == 1:
                # 畫出匹配對
                ptA = (int(kpsA[queryIdx][0]), int(kpsA[queryIdx][1]))
                ptB = (int(kpsB[trainIdx][0]) + wA, int(kpsB[trainIdx][1]))
                cv2.line(vis, ptA, ptB, (0, 255, 0), 1)

        # 返回可視化結(jié)果
        return vis

from Stitcher import Stitcher
import cv2

# 讀取拼接圖片
imageA = cv2.imread("image/left_01.png")
imageB = cv2.imread("image/right_01.png")

# 把圖片拼接成全景圖
stitcher = Stitcher()
(result, vis) = stitcher.stitch([imageA, imageB], showMatches=True)

# 顯示所有圖片
cv2.imshow("Image A", imageA)
cv2.imshow("Image B", imageB)
cv2.imshow("Keypoint Matches", vis)
cv2.imshow("Result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

?

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 代碼使用的圖片

?效果是這樣：

?文章來源地址http://www.zghlxwxcb.cn/news/detail-658865.html

到了這里，關(guān)于學(xué)習(xí)筆記：Opencv實(shí)現(xiàn)圖像特征提取算法SIFT的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！