详解opencv Python特征检测及K-最近邻匹配

鉴于即将启程旅行，先上传篇简单的图像检索介绍，与各位一起学习opencv的同学共勉

一.特征检测

图片的特征主要分为角点，斑点，边，脊向等，都是常用特征检测算法所检测到的图像特征·

1.Harris角点检测

先将图片转换为灰度模式，再使用以下函数检测图片的角点特征：

dst=cv2.cornerHarris(src, blockSize, ksize, k[, dst[, borderType]])

重点关注第三个参数，这里使用了Sobel算子，简单来说，其取为3-31间的奇数，定义了角点检测的敏感性，不同图片需要进行调试。

k 是 Harris 角点检测方程中的自由参数，取值参数为[0,04，0.06].

2.DoG角点检测及SIFT特征变换

Harris角点检测在面对图像尺度性发生改变时极其容易丢失图像细节，造成检测失误。因此在检测图像特征时，常常我们需要一些拥有尺度不变性的特征检测算法。

DoG角点检测即将两幅图像在不同参数下的高斯滤波结果相减，得到DoG图。步骤：用两个不同的5x5高斯核对图像进行卷积，然后再相减的操作。重复三次得到三个差分图A,B,C。计算出的A,B,C三个DOG图中求图B中是极值的点。图B的点在当前由A,B,C共27个点组成的block中是否为极大值或者极小值。若满足此条件则认为是角点。

SIFT对象会使用DoG检测关键点，并对每个关键点周围的区域计算特征向量。事实上他仅做检测和计算，其返回值是关键点信息（关键点）和描述符。

#下列代码即先创建一个SIFT对象，然后计算灰度图像sift = cv2.xfeatures2d.SIFT_create()keypoints, descriptor = sift.detectAndCompute(gray, None)#sift对象会使用DoG检测关键点，对关键点周围的区域计算向量特征，检测并计算

需要注意的是，返回的是关键点和描述符

关键点是点的列表

描述符是检测到的特征的局部区域图像列表

介绍一下关键点的属性：pt: 点的x y坐标 size： 表示特征的直径 angle: 特征方向 response: 关键点的强度 octave: 特征所在金字塔层级，算法进行迭代的时候， 作为参数的图像尺寸和相邻像素会发生变化octave属性表示检测到关键点所在的层级 ID： 检测到关键点的ID

SIFT特征不只具有尺度不变性，即使改变旋转角度，图像亮度或拍摄视角，仍然能够得到好的检测效果。

3.SURF提取和检测特征

SURF是SIFT的加速版算法，采用快速Hessian算法检测关键点

借用下度娘的说法：SURF算法原理：

1.构建Hessian矩阵构造高斯金字塔尺度空间

2.利用非极大值抑制初步确定特征点

3精确定位极值点

4选取特征点的主方向

5构造surf特征点描述算子

具体应用看代码

import cv2import numpy as npimg = cv2.imread('/home/yc/Pictures/jianbin.jpg')#参数为hessian矩阵的阈值surf = cv2.xfeatures2d.SURF_create(4000)#设置是否要检测方向surf.setUpright(True)#输出设置值print(surf.getUpright())#找到关键点和描述符key_query,desc_query = surf.detectAndCompute(img,None)img=cv2.drawKeypoints(img,key_query,img)#输出描述符的个数print(surf.descriptorSize())cv2.namedWindow("jianbin",cv2.WINDOW_NORMAL)cv2.imshow('jianbin',img)cv2.waitKey(0)cv2.destroyAllWindows()