Python影像處理（13）：brisk特徵檢測

標籤：vs2013   opencv   python   影像處理   

快樂蝦

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

歡迎轉載，但請保留作者資訊

BRISK是BRIEF描述子的一種改進，相比於BRIEF特徵，它具有旋轉不變性、尺度不變性和對雜訊的魯棒性。本節嘗試在python下使用此特徵檢測方式，使用的測試映像為先前已經轉換為灰階圖的棉花映像：

首先讀取映像：

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

接著建立一個brisk特徵檢測器：

# 建立brisk檢測器brisk = cv2.BRISK_create()

接下來計算映像的特徵，此函數的原型為：

Help on built-in function detectAndCompute:detectAndCompute(...)    detectAndCompute(image, mask[, descriptors[, useProvidedKeypoints]]) -> keypoints, descriptors

調用它計算特徵點並顯示：

# 計算特徵點並顯示(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)

結果就是這樣的：

貌似對我們的葉片識別沒有直接的協助，需要自己尋找特徵點才行。

直接將原圖旋轉30度：

# 原映像旋轉30度ang=np.pi/6rot_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)

計算新的特徵值：

# 特徵點檢測(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)

直接做特徵點的匹配：

# 特徵點匹配matcher = cv2.BFMatcher()matches = matcher.match(desc, desc_30)print(matches)

最後用映像顯示匹配的結果：

# 顯示匹配結果，僅顯示前面的5個點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。

??

著作權聲明：本文為博主原創文章，未經博主允許不得轉載。

Python影像處理（13）：brisk特徵檢測