cv2 BRIEF特征描述符

最新推荐文章于 2023-02-10 20:07:09 发布
最新推荐文章于 2023-02-10 20:07:09 发布
阅读量874 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： Python Opencv(CV2)学习与实战 文章标签： 找不到  cv2.xfeature2d module cv2 BRIEF
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/github_39611196/article/details/81159394
这篇博客介绍了如何处理在使用cv2库时找不到cv2.xfeature2d模块的问题，提供了从特定网站下载相应版本并安装的步骤，包括进入Python库目录，使用pip安装指定版本的opencv_python，以确保能使用BRIEF特征描述符。

本篇博客主要介绍cv2中中的BRIEF特征描述符。

首先解决cv2中找不到  cv2.xfeature2d 的问题。

在 https://www.lfd.uci.edu/~gohlke/pythonlibs/ 找到

下载所需版本,复制到python安装目录下的Lib\site-packages目录，然后在cmd中cd到Lib\site-packages目录，运行pip install  opencv_python-3.x.0+contrib-cpxx-cpxxm-win  xxxxx.whl即可，已经安装的版本会被自动卸载，重新安装为指定的版本。

 

出现 下列错误解决方案：

ImportError:
了解本专栏 订阅专栏 解锁全文
OpenCV：BRIEF特征描述符的稳健性和独立性
UixnContext的博客
09-19 255
BRIEF算法的核心思想是通过生成二进制描述符来表示图像中的特征点。与其他特征描述算法（如SIFT和SURF）不同，BRIEF不关注特征点的尺度和方向等属性，而是仅关注特征点周围的局部图像区域。它通过生成二进制描述子来表示图像中的特征点，具有较低的计算复杂度和一定的尺度与旋转不变性。在上述代码中，我们首先读取了待处理的图像，并使用BRIEF算法提取图像中的特征点和描述子。描述子生成：对于每个检测到的特征点，BRIEF算法会在其周围的局部图像区域内选择一组随机的像素对，并比较它们的亮度关系。
【全网独家】OpenCV 特征检测与匹配：ORB 特征，BRIEF 描述符，FAST 角点检测，FLANN 匹配器
走向CTO的路上...
08-07 982
ORB（Oriented FAST and Rotated BRIEF）是一种基于 FAST 和 BRIEF 的特征检测和描述算法，具有高效和快速的特点。本文详细介绍了 ORB 特征、BRIEF 描述符、FAST 角点检测和 FLANN 匹配器，以及这些算法在特征检测与匹配中的应用。我们讨论了它们的应用场景、原理解释及实现细节，并提供了具体的代码示例。此外，还展示了如何通过 Flask 应用部署和测试这些功能。这些技术为图像处理和计算机视觉领域提供了强有力的工具，为各种实际应用打下坚实基础。
cv2--特征点特征提取（Sift，Orb，Surf）
Danger的博客
02-10 3838
cv2--特征点特征提取（Sift，Orb，Surf）
BRIEF特征描述子
zhaojun1204的博客
11-01 1590
一、定义 BRIEF全称（Binary Robust Indenpendent Elementary Features） 它提供了一种计算二值串的捷径，而并不需要去计算一个类似于SIFT的特征描述子。它需要先平滑图像，然后在特征点周围选择一个Patch，在这个Patch内通过一种选定的方法来挑选出来ndn_d个点对。然后对于每一个点对(p,q)(p,q)，我们来比较这两个点的亮度值，如果I
目标特征检测之BRIEF描述符
szfhy的博客
03-09 6813
BRIEF：Binary Robust Independent Elementary Rreatures 占位
【计算机视觉】图像分割算法详解：FAST关键点检测与BRIEF描述符提取在ORB算法中的应用及优化文档的主要内容
06-06
内容概要：本文详细介绍了ORB算法中的两个重要组成部分——FAST关键点检测和BRIEF描述符提取的具体细节。FAST算法是一种快速检测角点的方法，通过选择像素和邻域、强度比较、加速测试以及非极大值抑制四个主要步骤来...
第十六节、特征描述符BRIEF(附源码)
Graceful_scenery的博客
09-10 278
我们已经知道SIFT算法采用128维的特征描述子，由于描述子用的是浮点数，所以它将会占用512字节的空间。类似的SUFR算法，一般采用64维的描述子，它将占用256字节的空间。如果一幅图像中有1000个特征点，那么SIFT或SURF特征描述子将占用大量的内存空间，对于那些资源紧张的应用，尤其是嵌入式的应用，这样的特征描述子显然是不可行的。而且，越占有越大的空间，意味着越长的匹配时间。 但是实际上...
2019-9-5 opencv特征检测和描述7-BRIEF (Binary Robust Independent Elementary Features)描述符快速计算和匹配
weixin_42555985的博客
09-05 515
官网https://docs.opencv.org/3.4.1/dc/d7d/tutorial_py_brief.html 我们已经知道SIFT使用128维描述符，因为它使用的是浮点数，所以长度是512字节。而SURF算法最小256字节（对于64维描述符）。创建一个有上千个特征的向量需要大量内存资源，并不适用于一些资源有限的应用，特别是嵌入式系统。内存需要越大，那匹配时候就需要越多的时间。 但是实...
cv2笔记-图像特征的选取
RUN
06-22 685
灰度图象边缘提取思路：  抑制噪声（低通滤波、平滑、去噪、模糊）  边缘特征增强（高通滤波、锐化）  边缘定位 边缘与数学上的关系 边缘是图像灰度剧烈变化的地方，边缘是一阶倒数的极大值点，二阶导数的过零点(一阶极值点就是二阶的零点)。 卷积有平滑作用 Sobel算子：去噪+增强边缘 Prewitt 拉普拉斯算子 卷积模板： 特点：运算结果是标量 • 只有幅值，只使用一个模版便可计算得到 • 方向属性丢失 实际中几乎不单独使用拉普拉斯算子： • 二次求导数，对噪声非常敏感 • 通常配
BRIEF
BBZZ2的专栏
03-17 1413
 在嵌入式系统内，对图像进行实时匹配，这项任务给特征点的检测与描述提出了更高的要求。这不仅要求运算速度快，而且还要求占用更少的内存。 SIFT和SURF方法性能优异，但它们在实时应用中就力不从心，一个主要的原因就是特征点的描述符结构较复杂，表现形式是第一描述符的维数较多，第二描述符采用浮点型的数据格式。维数多固然可以提高特征点的可区分性，但使描述符的生成和特征点的匹配的效率降低，另一方
BRIEF描述子原理、 python源码实现及基于opencv实现
xiaohuolong的博客
07-20 3123
BRIEF描述子原理、 python源码实现及基于opencv实现，BRIEF特征点描述
OpenCV3学习（11.6） ORB特征检测器及BRIEF描述符
知识搬运工的博客
02-14 4428
ORB是ORiented Brief的简称，在ORB的方案中，先采用了FAST作为特征点检测算子，再使用改进BRIEF进行描述符的计算的。ORB的一个重要贡献就是引入了定位关键点的方向。 BRIEF描述符： 传统的特征点描述子如SIFT,SURF描述子，每个特征点采用128维(SIFT)或者64维(SURF)向量去描述，每个维度上占用4字节，SIFT需要128×4=512字...
(四)OpenCV中的特征检测之BRIEF(二进制强大的独立基本特征)
y=f(x)的专栏
06-04 2720
注释：本文翻译自OpenCV3.0.0 document->OpenCV-Python Tutorials，包括对原文档种错误代码的纠正1.概述SIFT使用具有128个浮点数的特征描述符。 考虑成千上万个这样的特征 。 它需要大量的内存和更多的时间进行匹配。 我们可以压缩它以使其更快。 但是我们仍然必须先计算它。这里有BRIEF，它提供了寻找具有更少内存的二进制描述符的快捷方式，更快的匹配以...
【OpenCV 例程 300篇】244. 特征检测之 BRIEF 特征描述
youcans的博客
10-20 2658
BRIEF算子对检测到的特征点构造特征描述子，特点是直接生成二进制字符串作为特征描述符，效率很高。 BRIEF 建立描述子的速度很快，生成的二进制描述子便于高速匹配，且便于在硬件上实现。 BRIEF 算法不涉及特征点检测方法，需要配合 FAST、SURF、CenSurE 等特征点检测算法使用。
【特征检测】BRIEF特征点描述算法
热门推荐
hujingshuang
07-16 3万+
BRIEF是对已检测到的特征点进行描述，它是一种二进制编码的描述子，摈弃了利用区域灰度直方图描述特征点的传统方法，大大的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，是一种非常快速，很有潜力的算法。
BRIEF特征提取(理解篇)
松子茶的专栏
01-17 1万+
该文中特征描述子是由EPFL的Calonder在ECCV2010上提出了一种可以快速计算且表达方式为二进制编码的描述子。主要思路就是在特征点附近随机选取若干点对，将这些点对的灰度值的大小，组合成一个二进制串，并将这个二进制串作为该特征点的特征描述子。BRIEF的耗时非常短。在要求不太高的情形下，BRIEF描述子更容易做到实时。
python+OpenCV笔记（三十三）：特征检测——基于FSAT特征和BRIEF描述符的ORB
ReadyGo!!!的博客
02-03 1013
python+OpenCV笔记（三十三）：特征检测——基于FSAT特征和BRIEF描述符的ORB
brief 描述符
最新发布
07-20
### BRIEF描述符的定义与用途 BRIEF（Binary Robust Independent Elementary Features）是一种用于计算机视觉领域的特征描述子，其核心思想是通过二值化的方式对特征点周围的图像信息进行编码。该方法在2010年由Calonder等人提出，旨在提供一种快速且高效的特征描述方式，特别适用于实时应用[^1]。 BRIEF的主要步骤包括： 1. **图像平滑**：为了减少噪声的影响，首先对图像进行高斯滤波处理。 2. **点对选择**：在特征点周围的图像块（Patch）内，预先选择一组固定位置的点对。 3. **二值测试**：对于每个点对 $(p, q)$，比较两个点的亮度值。如果 $I(p) > I(q)$，则对应的二值位为1；如果 $I(p) < I(q)$，则为0；若两者相等，则可以设为0或随机选择一个值。 4. **生成描述子**：将所有点对的比较结果组合成一个二进制字符串，作为该特征点的描述子。 BRIEF描述子的特点在于其简洁性和高效性。由于描述子是由二进制位组成的字符串，因此可以通过汉明距离（Hamming Distance）来进行特征匹配，这大大减少了计算时间和内存占用。此外，BRIEF描述子的维度通常较低，进一步提高了匹配效率[^4]。 ### 使用场景 BRIEF描述子在计算机视觉中有广泛的应用，主要包括以下几个方面： - **实时特征匹配**：由于BRIEF描述子的计算速度快且匹配效率高，非常适合用于实时视频处理、物体识别等需要快速响应的应用场景。 - **嵌入式系统**：在资源受限的设备上，如移动机器人、无人机或智能摄像头，BRIEF描述子因其低计算需求而被广泛采用。 - **大规模图像检索**：在大规模图像数据库中，BRIEF描述子能够有效减少存储和计算开销，提升检索速度。 - **SLAM（Simultaneous Localization and Mapping）**：在同时定位与地图构建中，BRIEF描述子可以帮助快速识别环境中的特征点，从而提高系统的实时性和准确性[^3]。 ### 示例代码 以下是一个使用OpenCV库实现BRIEF描述子的Python代码示例： ```python import cv2 # 读取图像并转换为灰度图 img = cv2.imread('chess.png') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 创建STAR特征检测器和BRIEF描述子提取器 star = cv2.FeatureDetector_create("STAR") brief = cv2.DescriptorExtractor_create("BRIEF") # 检测特征点 kp = star.detect(gray, None) # 计算BRIEF描述子 kp, des = brief.compute(img, kp) # 输出描述子的字节数和形状 print(brief.getInt('bytes')) print(des.shape) ``` ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

cchangcs

谢谢你的支持~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值