OpenCV 学习资料——第三章：OpenCV进阶应用

知智志

已于 2024-11-21 09:09:25 修改

阅读量304

点赞数 3

分类专栏：学习OpenCV看这篇（堪比教材）文章标签：计算机视觉 opencv 人工智能

于 2024-11-20 08:59:55 首次发布

本文链接：https://blog.youkuaiyun.com/weixin_43084893/article/details/143883531

版权

学习OpenCV看这篇（堪比教材）专栏收录该内容

11 篇文章

订阅专栏

第三章：OpenCV进阶应用

3.1 特征检测与描述

特征检测是计算机视觉的重要任务，用于识别图像中的关键点，并为关键点生成描述符，便于图像匹配和场景理解。

3.1.1 角点检测

1. Harris角点检测

Harris角点检测通过计算图像梯度的变化，定位角点。

python

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)
corners = cv2.cornerHarris(gray, blockSize=2, ksize=3, k=0.04)
img[corners > 0.01 * corners.max()] = [0, 0, 255]  # 标记角点

2. Shi-Tomasi角点检测

改进版的Harris角点检测，更适合子像素级别的精确检测。

python

corners = cv2.goodFeaturesToTrack(gray, maxCorners=100, qualityLevel=0.01, minDistance=10)
for corner in corners:
    x, y = np.int0(corner.ravel())
    cv2.circle(img, (x, y), 5, (0, 255, 0), -1)

3.1.2 特征点描述与匹配

1. SIFT与SURF

SIFT（Scale-Invariant Feature Transform）：对尺度和旋转变化具有鲁棒性。
SURF（Speeded-Up Robust Features）：计算更快，但精度稍低。

python

# 初始化SIFT检测器
sift = cv2.SIFT_create()
keypoints, descriptors = sift.detectAndCompute(img, None)

# 绘制关键点
cv2.drawKeypoints(img, keypoints, img, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

2. ORB（Oriented FAST and Rotated BRIEF）

ORB是一个高效且免费的特征检测算法。

python

orb = cv2.ORB_create()
keypoints, descriptors = orb.detectAndCompute(img, None)

3. 特征匹配

通过BFMatcher或FLANN匹配关键点。

python

bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1, des2)
matches = sorted(matches, key=lambda x: x.distance)
cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None)

3.2 图像匹配与几何变换

3.2.1 图像拼接

通过特征匹配与单应性矩阵（Homography）实现图像拼接。

python

# 计算单应性矩阵
H, _ = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)
result = cv2.warpPerspective(img1, H, (width, height))

3.2.2 透视变换

用于对图像中的对象进行角度校正。

python

pts1 = np.float32([[50, 50], [200, 50], [50, 200], [200, 200]])
pts2 = np.float32([[10, 100], [200, 50], [100, 250], [300, 200]])
M = cv2.getPerspectiveTransform(pts1, pts2)
warped = cv2.warpPerspective(img, M, (300, 300))

3.3 视频处理基础

3.3.1 视频流的捕获与显示

通过摄像头读取并显示视频流。

python

cap = cv2.VideoCapture(0)  # 摄像头
while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    cv2.imshow('Video Stream', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()

3.3.2 背景减除与运动检测

使用背景建模技术实现运动目标的检测。

python

fgbg = cv2.createBackgroundSubtractorMOG2()
while True:
    ret, frame = cap.read()
    fgmask = fgbg.apply(frame)
    cv2.imshow('Foreground Mask', fgmask)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break