本文主要是介绍图像特征检测笔记（特征检测基本概念，Harris，Shi-Tomasi，SIFT，SURF，ORB，暴力特征匹配，FLANN特征匹配）），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
文章目录
- 前言
- 一、特征检测基本概念
- 二、哈里斯角点检测（Harris）
- 1.Harris角点基本原理
- 2.Harris角点检测API
- 3.Harris角点检测代码实例：
- 三、Shi-Tomasi角点检测（Shi-Tomasi）
- 1.Shi-Tomasi角点基本原理
- 2.Shi-Tomasi角点检测API
- 3.Shi-Tomasi角点检测代码实例：
- 四、SIFT关键点检测（scale-invariant feature transform）
- 1.SIFT出现的原因
- 2.使用SIFT的步骤
- 3.SIFT检测代码实例：
- 五、计算SIFT描述子（scale-invariant feature transform）
- 1.关键点和描述子
- 2.计算描述子
- 3.计算SIFT描述子代码实例：
- 六、SURF特征检测（speeded-up robust features）
- 1.SURF的优点
- 2.使用SURF的步骤
- 3.SURF代码实例：
- 七、ORB特征检测（oriented fast and rotated brief）
- 1.ORB优势
- 2.使用ORB的步骤
- 3.ORB代码实例：
- 八、暴力特征匹配
- 1.特征匹配方法
- 2.暴力特征匹配原理
- 3.OpenCV特征匹配步骤
- 4.暴力特征匹配代码实例：
- 八、FLANN特征匹配
- 1.FLANN优缺点
- 3.FLANN特征匹配步骤
- 4.暴力特征匹配代码实例：
- 总结
前言
基于Python与OpenCV的图像特征匹配学习笔记，供大家参考
一、特征检测基本概念
特征中最重要的是角点，主要包括：
1.灰度梯度的最大值对应的像素
2.两条线的交点
3.极值点（一阶导最大值，二阶导等于0）
二、哈里斯角点检测（Harris）
1.Harris角点基本原理
光滑地区，无论向哪里移动，衡量系数不变；
边缘地区，垂直边缘移动，衡量系数变化剧烈；
在交点处，无论往哪个方向移动，衡量系统都变化剧烈。
2.Harris角点检测API
cornerHarris(img,blockSize,ksize,k)
img：输入图片
blockSize：窗口大小，窗口越大，敏感度越高
ksize：Solel卷积核
k：权重系数，经验值，一般0.02-0.04之间
3.Harris角点检测代码实例：
import cv2blockSize = 2
ksize = 3
k = 0.04img = cv2.imread('map1.png')
# 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# Harris角点检测
dst = cv2.cornerHarris(gray, blockSize, ksize, k)
# 检测结果展示，红色
img[dst > 0.01 *dst.max()] = [0,0,255]cv2.imshow('harris', img)
cv2.waitKey(0)
三、Shi-Tomasi角点检测（Shi-Tomasi）
1.Shi-Tomasi角点基本原理
Shi-Tomasi是Harris角点检测的改进，不需要设置K值
Harris角点检测的稳定性与K值有关，而K是经验值，不好设定最佳值
2.Shi-Tomasi角点检测API
goodFeaturesToTrack(img,maxCorners,...)
img：输入图片
maxCorners：角点的最大数，值为0表示无限制
qualityLevel：小于1.0的正数，一般在0.01-0.1之间
minDistance：角之间最小欧式距离，忽略小于此距离的点
mask：感兴趣的区域
blockSize：窗口大小，窗口越大，敏感度越高
useHarrisDetector:是否使用Harris算法，默认false
k：默认0.04之间
3.Shi-Tomasi角点检测代码实例：
import cv2
import numpy as npmaxCorners = 1000
ql = 0.01
minDistance = 10img = cv2.imread('map1.png')gray = cv2这篇关于图像特征检测笔记（特征检测基本概念，Harris，Shi-Tomasi，SIFT，SURF，ORB，暴力特征匹配，FLANN特征匹配））的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
