Python图像处理（13）：brisk特征检测

标签：vs2013   opencv   python   图像处理   

快乐虾

http://blog.csdn.net/lights_joy/

欢迎转载，但请保留作者信息

BRISK是BRIEF描述子的一种改进，相比于BRIEF特征，它具有旋转不变性、尺度不变性和对噪声的鲁棒性。本节尝试在python下使用此特征检测方式，使用的测试图像为先前已经转换为灰度图的棉花图像：

首先读取图像：

# 读取原始图像
img = cv2.imread(r‘F:\projects\src\opencv\images\cotton\39.gray.jpg‘)
plt.imshow(img)

接着创建一个brisk特征检测器：

# 创建brisk检测器
brisk = cv2.BRISK_create()

接下来计算图像的特征，此函数的原型为：

Help on built-in function detectAndCompute:

detectAndCompute(...)
    detectAndCompute(image, mask[, descriptors[, useProvidedKeypoints]]) -> keypoints, descriptors

调用它计算特征点并显示：

# 计算特征点并显示
(kpt, desc) = brisk.detectAndCompute(img, None)
bk_img = img.copy()
out_img = img.copy()
out_img = cv2.drawKeypoints(bk_img, kpt, out_img)
plt.figure(2)
plt.imshow(out_img)

结果就是这样的：

貌似对我们的叶片识别没有直接的帮助，需要自己寻找特征点才行。

直接将原图旋转30度：

# 原图像旋转30度
ang=np.pi/6
rot_mat = np.array([[np.cos(ang), np.sin(ang), 0], [-np.sin(ang), np.cos(ang), 200]])
img_30 = cv2.warpAffine(img, rot_mat, (600,500))
plt.figure(3)
plt.imshow(img_30)

计算新的特征值：

# 特征点检测
(kpt_30, desc_30) = brisk.detectAndCompute(img_30, None)
bk_img = img_30.copy()
out_img = img_30.copy()
out_img = cv2.drawKeypoints(bk_img, kpt_30, out_img)
plt.figure(4)
plt.imshow(out_img)

直接做特征点的匹配：

# 特征点匹配
matcher = cv2.BFMatcher()
matches = matcher.match(desc, desc_30)
print(matches)

最后用图像显示匹配的结果：

# 显示匹配结果，仅显示前面的5个点
matches.sort(None, None, True)
out_img = cv2.drawMatches(img, kpt, img_30, kpt_30, matches[0:5], out_img)
plt.figure(5)
plt.imshow(out_img)

匹配的效果也令人失望。

Python图像处理（13）：brisk特征检测

标签：vs2013   opencv   python   图像处理   

原文地址：http://blog.csdn.net/lights_joy/article/details/46714641