OpenCV快速入门:特征点检测与匹配

OpenCV(四十六):特征点匹配 特征点匹配是一种在两幅图像中寻找相互对应的特征点,并建立它们之间的对应关系的过程。具体而言,首先通过特征检测算法在两幅图像中寻找相互对应的特征点,然后,对于每个特征点,通过描述子提取算法计算其描述子,最后,使用匹配算法对两组特征点的描述子进行比较,以找到相互匹配的特征点对。在OpenCV中,特征点匹配的类主要是。是一个抽象基类,用于特征点描述子之间的匹配操作。 阅读详情
AI摘要

本博客聚焦OpenCV中特征点检测与匹配方法。先介绍角点检测,涵盖Harris、Shi - Tomasi等经典算法;接着深入特征点检测,涉及SIFT、SURF等;最后讨论特征点匹配,包括BF、FLANN匹配器和RANSAC算法。详细分析各方法原理、公式与代码实现。


前言

在计算机视觉领域,特征点检测与匹配是解决多种问题的核心,包括图像识别、跟踪、三维重建和运动分析。OpenCV作为一个功能强大的视觉处理库,提供了丰富的功能来处理这些任务。本博客旨在提供一个关于OpenCV中特征点检测与匹配方法的快速入门指南。

我们将从角点检测开始,探讨如Harris、Shi-Tomasi和FAST等经典算法,介绍它们的原理、公式和代码实现。接着,我们将深入到特征点检测的高级话题,覆盖如SIFT、SURF和ORB等算法。每种方法都会有详细的函数解析,帮助理解其背后的工作原理。最后,我们将讨论特征点匹配技术,包括BF匹配器、FLANN匹配器和RANSAC匹配方法,它们在处理不同图像间的特征点对应关系时至关重要。
OpenCV Logo


一、角点检测

角点检测(Corner Detection)是计算机视觉和图像处理中的一个基本概念,指的是在图像中识别出具有明显角点特征的点。在OpenCV中,我们通常使用Harris 角点检测或Shi-Tomasi角点检测来实现这一功能。

1.1 角点特征

1.1.1 角点特征概念

角点特征是指在图像中那些局部特征明显、在多个方向上具有变化的点。在计算机视觉中,角点是图像中最重要的特征之一,因为它们通常对图像的变化(如视角、光照、尺度等)保持不变性。角点特征在图像处理、模式识别、三维建模、运动追踪等领域有着广泛的应用。

1.1.2 角点的特点

  • 局部特征:角点是图像中局部特征的重要表示,能够代表图像的关键信息。
  • 不变性:它们相对稳定,对光照、旋转、缩放等图像变化具有一定的抵抗力。
  • 高信息量:角点包含了丰富的信息,适合用于图像匹配、目标跟踪等。

1.1.3 关键点绘制代码实现

import cv2
import random

# 读取图像
image = cv2.imread('tulips.jpg')

# 生成随机关键点
keypoints = []
num_keypoints = 50  # 假设我们想生成50个关键点
for _ in range(num_keypoints):
    x = random.randint(0, image.shape[1] - 1)
    y = random.randint(0, image.shape[0] - 1)
    keypoints.append(cv2.KeyPoint(x, y, 1))

# 使用 drawKeypoints 绘制关键点
keypoint_image = cv2.drawKeypoints(image, keypoints, None, color=(0, 255, 0), flags=0)

# 显示图像
cv2.imshow('Random Keypoints', keypoint_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

Random Keypoints
在这个示例中,我创建了50个随机位置的关键点。cv2.KeyPoint 需要 x 和 y 坐标以及关键点的大小(这里设置为 1)。这些点将以绿色标记在图像上。

1.1.4 函数解析

drawKeypoints 函数是 OpenCV 库中用于在图像上绘制关键点的一个函数。这个函数的目的是将检测到的关键点可视化,使得这些点在图像上更容易被识别。

def drawKeypoints(image, keypoints, outImage, color=None, flags=None)

  1. image: 这是源图像,即你想在其上绘制关键点的图像。这个图像应该是一个标准的 OpenCV 图像格式,通常是使用 cv2.imread 读取的。

  2. keypoints: 这个参数是一个关键点的列表。这些关键点通常是通过特征检测算法(如 SIFT, SURF, ORB 等)得到的。每个关键点通常包含了图像中一个特定点的位置(x, y 坐标)和其他信息(如方向、大小等)。

  3. outImage: 这是输出图像。函数会在这个图像上绘制关键点,并将其返回。如果这个参数是 None,OpenCV 通常会直接在源图像上绘制关键点。

  4. color: 这个可选参数定义了关键点的颜色。如果未指定,将使用默认颜色。颜色通常以 (B, G, R) 格式指定,其中 B、G、R 分别代表蓝色、绿色和红色的强度。

  5. flags: 这个可选参数定义了绘制关键点时的一些特性。OpenCV 提供了几个不同的标志来控制如何绘制关键点。
    例如,cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS 会绘制关键点的大小和方向,
    而 cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS 将不会绘制单个的关键点。

1.2 Harris角点检测

1.2.1 Harris角点检测原理

Harris角点检测的基本原理是观察窗口移动时,窗口内像素灰度变化的程度。具体来说,它计算了窗口在各个方向上移动时灰度变化的二阶矩阵,并通过此矩阵来判断一个点是否为角点。角点的特征是无论窗口向哪个方向移动,窗口内的灰度变化都很大。

基本检测原理如下:

  1. 图像窗口和移动:
  • 假设有一个小窗口(或掩模),在整个图像上移动。
  • 对于窗口中的每个像素,我们希望了解当窗口在各个方向上移动小距离时,像素强度的变化情况。
  1. 强度变化函数:
  • 强度变化可以用函数 E ( u , v ) E(u,v) E(u,v)来描述,其中 u u u 和 v v v 是窗口在x和y方向上的移动量。

1.2.2 Harris角点检测公式

Harris角点检测的核心是计算每个像素的Harris响应值。数学公式为:
E ( u , v ) = ∑ x , y w ( x , y ) [ I ( x + u , y + v ) − I ( x , y ) ] 2 E(u,v) = \sum_{x,y} w(x, y)[I(x + u, y + v) - I(x, y)]^2 E(u,v)=x,y∑​w(x,y)[I(x+u,y+v)−I(x,y)]2
其中, I ( x , y ) I(x, y) I(x,y) 是像素点 (x, y) 的强度, w ( x , y ) w(x, y) w(x,y) 是窗口函数(通常是高斯窗口),用于赋予窗口中心附近的像素更高的权重。
这个公式可以通过泰勒级数展开并简化,最终表示为:
E ( u , v ) ≈ [ u , v ] M [ u , v ] T E(u,v) ≈ [u, v] M [u, v]^T E(u,v)≈[u,v]M[u,v]T
其中, M M M 是由图像的梯度导数计算得出的 2 × 2 2 \times 2 2×2矩阵。

Harris响应值的计算可以通过以下步骤进行:

  1. 计算图像梯度:
  • 需要计算图像在x和y方向的梯度,通常用Sobel算子来完成。这可以表示为 I x I_x Ix​ 和 I y I_y Iy​。
  1. 计算梯度的乘积:
  • 计算梯度的乘积 I x 2 , I y 2 I_x^2, I_y^2 Ix2​,Iy2​ 和 I x I y I_xI_y Ix​Iy​。
  1. 应用高斯滤波:
  • 对这些乘积应用高斯滤波(窗口函数),以在局部区域内平滑它们。这里使用高斯窗口是为了给图像的局部区域赋予更多的权重。
  1. 构造Harris矩阵:
  • 使用上述结果构造Harris矩阵(也称为结构张量),其一般形式为:

    M = ( ∑ I x 2 ∑ I x I y ∑ I x I y ∑ I y 2 ) M = \begin{pmatrix} \sum I_x^2 & \sum I_xI_y \\ \sum I_xI_y & \sum I_y^2 \end{pmatrix} M=(∑Ix2​∑Ix​Iy​​∑I

【OpenCV学习】(十)特征点检测与匹配 【OpenCV学习】(十)特征点检测与匹配 背景 提取图像的特征点是图像领域中的关键任务,不管在传统还是在深度学习的领域中,特征代表着图像的信息,对于分类、检测任务都是至关重要的; 特征点应用的一些场景: 图像搜索:以图搜图(电商、教育领域) 图像拼接:全景拍摄(关联图像拼接) 拼图游戏:游戏领域 一、Harris角点 哈里斯角点检测主要有以下三种情况: 光滑区域:无论向哪个方向移动,衡量系数不变; 边缘区域:垂直边缘移动时,衡量系数变化强烈; 角点区域:不管往哪个方向移动,衡量系数变化强烈; 函 阅读详情

相关推荐

基于OpenCv的图像SIFT特征点检测和特征匹配

SIFT是一种基于尺度空间的,对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子。SIFT是迄今使用最为广泛的一种特征提取方法。 图像点特征能够代表图像的内容,所以在运动目标跟踪、物体识别、图像配准、全景图像的拼接、三维重建等方向中,图像特征点的提取都至关重要,特征点提取的好坏将直接决定目标跟踪、物体识别、图像匹配、图像拼接、三维重建的准确度。

需要远程指导仿真实验、代码有问题的,请后台私信或者关注公众号 3303

ORB特征点匹配

文章目录特征点ORB特征oFAST角点提取BRIEF 描述子(Binary robust independent elementary feature)特征匹配实践参考 特征点 特征点是图像中具有代表性的点,这些点在图像发生变化时,比如图像的旋转、缩放,将保持不变。图像中的角点和边缘相对来说更加“特别”,因为它们在不同的图像中辨识度更强。因此一种直观的提取特征的方式就是在图像之间辨认角点,并确定...

Warms的博客 1万+

《OpenCV3学习笔记》3.3 :SIFT、SURF、ORB特征点检测与匹配

一、特征点检测算法 SIFT Scale Invariant Feature Transform,尺度不变特征变换。SIFT特征对旋转、尺度缩放、亮度变化等保持不变性,是一种非常稳定的局部特征。 SIFT算法主要有以下几个步骤: 高斯差分金字塔的构建 使用组和层的结构构建了一个具有线性关系的金字塔(尺度空间),这样可以在连续的高斯核尺度上查找图像的特征点;另外,它使用一阶的高斯差分来近似...

try_again_later的博客 1万+

特征点匹配——FREAK算法介绍

FREAK算法是ICCV 2012上的一篇关于特征点检测与匹配的论文《FREAK: Fast Retina Keypoint》上提出的,从文章标题中可以看出来该算法的一个特点是快速,另外一个特点就是该算法是被人眼识别物体的原理上得到启发提出的。 看过我之前博文的可能知道,我到现在已经把SIFT算法、ORB算法、BRIEF算法和BRISK算法都进行了介绍。可以看出BRIEF、ORB和BRISK都是特

lhanchao的博客 2万+

OpenCV角点检测—FLANN快速最近邻进行特征点匹配(9)

2.3 使用FLANN进行特征点匹配 2.3.1 FlannBasedMatcher类的简单剖析 2.3.2 找到最佳匹配:DescriptorMatcher::match方法 2.3.3 实例:使用FLANN进行特征点匹配 2.3.4 综合实例:FLANN结合SURF进行关键点的描述和匹配 2.3.5 综合实例:SIFT配合暴力匹配进行关键点描述和提取 2.3 寻找已知物体 2.3.1 寻找透视变换:findHomography()函数 2.3.2 进行透视矩阵变换:perspectiveTransfo.

weixin_46417419的博客 7165

OpenCV实战(17)——FAST特征点检测

Harris 算子根据两个垂直方向上的强度变化率给出了角点(或更一般地说,兴趣点)的数学定义。但使用这种定义需要计算图像导数,计算代价较为高昂,特别是兴趣点检测通常只是更复杂算法的先决步骤。在本中,我们将学习另一个特征点检测算子 FAST (Features from Accelerated Segment Test)。其专门设计用于快速检测图像中的兴趣点;关键点检测仅基于几个像素的比较。

盼小辉丶的博客 2万+

使用OpenCV和Java实现高效特征点检测和匹配

OpenCV(Open Source Computer Vision Library)是一个开源的计算机视觉和机器学习软件库。它由一系列C函数和C++类构成,提供了大量计算机视觉领域的算法。OpenCV拥有跨平台的特点,支持多种操作系统,如Windows、Linux、Mac OS、Android和iOS等,使得开发者可以在各种平台上编写代码并运行。OpenCV库包含了众多计算机视觉的算法,如特征检测、图像分割、物体识别、机器学习、摄像机标定等。

weixin_32005771的博客 1407

OpenCV特征点匹配技术与应用实践

特征点匹配是计算机视觉领域中的一种核心技术,其作用是在两个或多个图像之间找到相互对应的点。这些特征点通常对应图像中的角点、边缘或其他显著的几何结构。匹配过程涉及检测这些特征点,随后在不同图像中找到相似的特征描述符。尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)算法自提出以来,在计算机视觉领域引起了广泛关注,其尺度不变性和旋转不变性使其成为图像特征匹配的经典算法。

weixin_29885875的博客 833

基于OpenCV的特征点提取与匹配实战指南

OpenCV由Intel发起并主导开发,是一个跨平台的计算机视觉库,它集成了大量的图像处理和计算机视觉的算法。OpenCV最初是用C/C++编写的,但现在也支持Python、Java等其他语言,其代码编写遵循开源协议,这使得全球的开发者能够访问、使用并改进它。在计算机视觉领域,特征点提取技术是识别和分析图像中关键信息的基础。特征点指的是图像中那些显著的点,它们具有良好的重复性,并且能够在图像发生旋转、缩放和亮度变化等变化后依然可以被检测到。这些点是进行图像匹配、三维重建和物体识别等高级任务的基石。

weixin_28746213的博客 847

如何读懂CiteSpace图谱?科研小白必看的节点颜色/年轮/聚类解读手册

本文详细解析CiteSpace图谱的核心视觉元素,包括节点颜色、年轮和聚类标识,帮助科研人员准确解读数据分析结果。通过生物医学案例展示如何从图谱中识别关键文献和研究趋势,提供五步系统解读法和常见错误规避策略,助力科研小白快速掌握文献计量分析技巧。

weixin_29179311的博客 321

ESD放电路径分析

当金属外壳接地情况下,大部分外部干扰信号将会通过外壳,外壳到接地点,再由接地点回到干扰信号的地,实现干扰信号的回流,这点不仅仅适用于​ESD,对于其他的RI类干扰,也同样适合。发现内部金属板跟外壳的搭接处存在较多的缝隙点,该缝隙点对于频率较高的信号能够实现较为理想的回流,但是对于频率没有那么高的信号,则较难以实现回流,我们尝试将这些缝隙用铜箔包裹住,充分降低该金属板跟外壳的接触阻抗​。我们分析,路径3其实是不期望的路径,我们最期望的路径是1,或者2的内部金属部件跟外壳良好接触情况下的路径。

domen_pan的博客 2238

线性代数笔记【空间曲面】

二次曲面 曲面可以看成是一个动点或一条动曲线按照一定条件或规律运动产生的轨迹 曲面的方程即是该动点的坐标所满足的方程 空间解析几何中,一般会涉及到由曲面写方程和由方程看曲面两种类型问题 曲面与曲面方程 球面方程 球面:空间内与定点的距离等于定长的点的集合 这一定点叫球心,定长叫半径 标准方程 (x−x0)2+(y−y0)2+(z−z0)2=r2(x-x_0)^2+(y-y_0)^2+(z-z_0)^2=r^2(x−x0​)2+(y−y0​)2+(z−z0​)2=r2 球心P0(x0,y0,z0)P_0(

qq_40500005的博客 3251

抖音自定义卡片链接(图文链接)

抖音自定义可以自定义标题,打开链接,和展示图片 效果 主要代码 public void sendMessage(String conversationId, Object aBaseContent) throws Exception { // C233282u5.LIZIZ.LIZ().LIZIZ(LIZ).LIZ(obtain).LIZ(hLn).LIZ((AbstractC59811HHc) new H9Q()); Object HOa = ReflectionUtil

傅恒的博客 4144

PID、模糊PID、SkyHook、LQR、H2/H∞、ADRC等悬架控制合集

PID、模糊PID、SkyHook、LQR、H2/H∞等悬架控制合集

Mr.邹的博客 2018

DDR5 的 PI: DIMM 上 PMIC,正在制造一批“新型 EMI 问题”

DDR5 的 PI,不再只是“供电设计”,而是一次“噪声管理设计”。电压稳定本地调节高频噪声EMI 风险系统不确定性DDR5 真正难的地方,不是跑起来,而是——在最差条件下,它还能不能一直跑。而 DIMM 上那颗 PMIC,正是你绕不开的关键角色。

weixin_43199439的博客 187

Python爬虫实战:利用Selenium与反反爬技术高效爬取企查查工商信息

本文将详细介绍如何使用Python最新爬虫技术(包括Selenium、Playwright、智能代理池等)爬取企查查工商信息数据。文章包含完整的代码实现、反反爬策略、数据解析与存储方案,以及法律合规性讨论,共计约8000字。企查查作为国内领先的企业信息查询平台,收录了超过2亿家企业的工商信息、司法信息、知识产权等数据。这些数据对于市场分析、商业决策等具有重要价值。法律边界提示禁止大规模爬取导致服务器过载不得绕过付费接口获取数据数据使用需遵守《个人信息保护法》商业用途需获得授权。

2201_76125261的博客 2238

mybaits-plus通用CRUD详解及代码案例

文章目录mybaitsplus通用CRUD插入操作方法定义测试用例mybaitsplus主键生成策略设置自增主键设置输入主键:UUID:ID_WORKER_STR:ID_WORKER:更新操作根据id更新方法定义:方法步骤根据条件更新方法定义:更新步骤:根据条件更新(可以更新NULL)删除操作根据id删除方法定义:删除步骤:根据 entity 条件删除方法定义:删除步骤:根据ID 批量删除方法定义:删除步骤:查询操作根据id查询方法定义:查询步骤:根据id批量查询方法定义:查询步骤:根据 entity 条件

流楚丶格念的博客 3409

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

上一篇: OpenCV快速入门:图像分析——图像分割和图像修复
下一篇: OpenCV快速入门:相机标定——单目视觉和双目视觉
吾家有猫名探花
博客等级 码龄11年 5776粉丝 65原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
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
⌂ 换网址