opencv ORB角点检测 opencv角点检测匹配

文章目录

• FAST
• 代码
• 参考文献

FAST

FAST 算法进行特征提取

1. 在图像中选取一个像素点p，来判断它是不是关键点。Ip 等于像素点p
   的灰度值。
2. 选择适当的阈值t。
3. 如下图所示在像素点p 的周围选择16 个像素点进行测试。
5. 如果在这16 个像素点中存在n 个连续像素点的灰度值都高于Ip + t，或者低于Ip - t，那么像素点p 就被认为是一个角点。如上图中的虚线所示，n 选取的值为12。



6. 为了获得更快的效果，还采用了而外的加速办法。首先对候选点的周围每
   个90 度的点：1，9，5，13 进行测试（先测试1 和19, 如果它们符合
   阈值要求再测试5 和13）。如果p 是角点，那么这四个点中至少有3 个
   要符合阈值要求。如果不是的话肯定不是角点，就放弃。对通过这步测试
   的点再继续进行测试（是否有12 的点符合阈值要求）。这个检测器的效
   率很高，但是它有如下几条缺点：• 当n<12 时它不会丢弃很多候选点(获得的候选点比较多)。
   • 像素的选取不是最优的，因为它的效果取决与要解决的问题和角点
   的分布情况。
   • 高速测试的结果被抛弃
   • 检测到的很多特征点都是连在一起的。

非极大值抑制
使用极大值抑制的方法可以解决检测到的特征点相连的问题

1. 对所有检测到到特征点构建一个打分函数V。V 就是像素点p 与周围16个像素点差值的绝对值之和。
2. 计算临近两个特征点的打分函数V。
3. 忽略V 值最低的特征点
   总结
   FAST 算法比其它角点检测算法都快。
   但是在噪声很高时不够稳定，这是由阈值决定的

代码

import cv2

src = cv2.imread(r'F:\OPENCV\Opencv\animal.png')
gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
# initial FAST object with default values
fast = cv2.FastFeatureDetector_create()
# find and draw object with default values
kp = fast.detect(gray, None)
img = cv2.drawKeypoints(gray, kp, None, color=(0, 0, 255))
# print all default params
print('Threshold: {}'.format(fast.getThreshold()))  # Threshold: 10
print('NonMaxSuppression: {}'.format(fast.getNonmaxSuppression()))  # NonMaxSuppression: True
print('Neighborhood: {}'.format(fast.getType()))  # Neighborhood: 2
print('Total KeyPoints with NonMaxSuppression: {}'.format(len(kp)))  # Total KeyPoints with NonMaxSuppression: 14082
cv2.imshow('fast', img)
cv2.imwrite(r'F:\OPENCV\Opencv\animal-fast.png', img)
# disable nonMaxSuppression
fast.setNonmaxSuppression(0)
kp = fast.detect(gray, None)
print('Total KeyPoints without NonMaxSuppression: {}'.format(len(kp)))  # Total KeyPoints without NonMaxSuppression: 44241
img1 = cv2.drawKeypoints(gray, kp,None, color=(0, 0, 255))
cv2.imshow('fast1', img1)
cv2.imwrite(r'F:\OPENCV\Opencv\animal-fast1.png', img1)

cv2.waitKey()
cv2.destroyAllWindows()

结果显示

非极大值抑制

没有进行非极大值抑制的结果

参考文献

1.OpenCV-Python官方教程