Opencv-Python学习（六）

一、SIFT算法

         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

SIFT算法具有如下一些特点：

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

        2. 区分性（Distinctiveness）好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；

        3. 多量性，即使少数的几个物体也可以产生大量的SIFT特征向量；

        4.高速性，经优化的SIFT匹配算法甚至可以达到实时的要求；

        5.可扩展性，可以很方便的与其他形式的特征向量进行联合。

SIFT特征检测主要包括以下4个基本步骤：

 （1）尺度空间极值检测

        搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。       

（2） 关键点定位

        在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。

（3）方向确定

        基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。

（4）关键点描述

        在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。

        SIFT原理可以参考这篇博客，链接：SIFT算法原理：SIFT算法详细介绍

 在opencv中实现SIFT算法，代码如下：

import cv2 as cv


img = cv.imread('../de/cat.jpg')
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
sift = cv.SIFT_create()    # 实例化
kp = sift.detect(gray, None)     # 得到已经封装好的关键点，
print(kp)
img = cv.drawKeypoints(gray, kp, img)  # 画出关键点

cv.imshow('draw', img)
cv.waitKey(0)

# 计算特征
kp, des = sift.compute(gray, kp)
print(des.shape)

效果图：

二、 特征匹配

Brute-Force 蛮力匹配

        cv2.BFMatcher(crossCheck = True)：

        crossCheck表示两个特征点相互匹配，例如A中的第i个特征点与B中的第j个特征点最近，并且B中的第j个特征点到A中的第i个特征点也是
        NORM_L2：归一化的数组(欧几里得距离)，如果其他特征计算方法需要考虑不同的匹配计算方法。

代码实现：

import cv2 as cv


def show(name, img):
    cv.imshow(name, img)
    cv.waitKey(0)


# 1对1的匹配
img1 = cv.imread('../de/test1.jpg', 0)
img2 = cv.imread('../de/test2.jpg', 0)
img1 = cv.resize(img1, (0, 0), -1, 0.4, 0.4)
img2 = cv.resize(img2, (0, 0), -1, 0.1, 0.1)
sift = cv.SIFT_create()
kp1 = sift.detect(img1, None)
kp2 = sift.detect(img2, None)
kp1, des1 = sift.compute(img1, kp1)
kp2, des2 = sift.compute(img2, kp2)
bf = cv.BFMatcher(crossCheck=True)
matches = bf.match(des1, des2)
matches = sorted(matches, key=lambda x: x.distance)
img3 = cv.drawMatches(img1, kp1, img2, kp2, matches[:10], None, flags=2)
show('img3', img3)


# k对最佳匹配
bf = cv.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)

good = []
for m, n in matches:
    if m.distance < 0.5 * n.distance:
        good.append([m])

img3 = cv.drawMatchesKnn(img1, kp1, img2, kp2, good, None, flags=2)
show('img3', img3)

 1对1匹配：

 k对最佳匹配：

三、图像拼接

        基于OpenCV Stitcher类的图像拼接，可以实现多张图片的拼接，速度快，效果很好。

 代码如下：

import cv2 as cv


img1 = cv.imread('../pj/1.jpg')
img2 = cv.imread('../pj/2.jpg')
stitcher = cv.Stitcher.create(cv.Stitcher_PANORAMA)
result, img = stitcher.stitch((img1, img2))
name = 'result' + '.png'
cv.imwrite(name, img)
cv.imshow(name, img)
cv.waitKey(0)
print("拼接成功. %s 已保存!" % name)

这里只拼接了两张图片。

原图1

原图2：

     

 效果图：