SIFT-ORB比較

原創 三分奶茶七分糖丶 2020-06-01 20:20

SIFT原理與應用初探

導入需要用到的包

驗證旋轉不變性

import numpy as np
import cv2
import cv2 as cv
from matplotlib import pyplot as plt

使用cv2.xfeatures2d.SIFT_create()實例化SIFT函數,並且設置FLANN參數設計

sift = cv2.xfeatures2d.SIFT_create()

orb = cv.ORB_create()



# FLANN 參數設計
FLANN_INDEX_KDTREE = 0
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params,search_params)

插入圖片1，並且進行灰度化處理，使用sift.detect(gray, None)生成關鍵點，使用sift.compute(kp) 求得關鍵點對應的特徵向量

img1 = cv2.imread('C:/users/Administrator/Desktop/1.jpg')
#使用cv2.imread()接口讀圖像，讀進來的是BGR格式以及[0～255]。所以要將img轉換爲RGB格式，不然後面顯示會有色差
img1 = cv2.cvtColor(img1,cv2.COLOR_BGR2RGB)
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) #灰度處理圖像
kp1, des1 = sift.detectAndCompute(img1,None)#des是描述符

kp, des = orb.detectAndCompute(img1,None)

print (des1.shape) #描述符數組維度 
print(len(kp1))   #關鍵點個數

print(des.shape) #ORB
print(len(kp))

(1085, 128)
1085
(500, 32)
500

插入圖片2，並且進行灰度化處理，使用sift.detect(gray, None)生成關鍵點，使用sift.compute(kp) 求得關鍵點對應的特徵向量

img2 = cv2.imread('C:/users/Administrator/Desktop/2.jpg')
#使用cv2.imread()接口讀圖像，讀進來的是BGR格式以及[0～255]。所以要將img轉換爲RGB格式，不然後面顯示會有色差
img2 = cv2.cvtColor(img2,cv2.COLOR_BGR2RGB)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
kp2, des2 = sift.detectAndCompute(img2,None)

kpkp, desdes = orb.detectAndCompute(img2,None)

print (des2.shape) #描述符數組維度 
print(len(kp2))   #關鍵點個數

(1089, 128)
1089

水平拼接，顯示原圖

print(img1.shape)
print(img2.shape)
hmerge = np.hstack((img1, img2)) #水平拼接
plt.figure(num=1,figsize=(16,16))
plt.imshow(hmerge)
plt.title('original')
plt.axis('off')
plt.show()

(400, 600, 3)
(400, 600, 3)

在這裏插入圖片描述

將圖片水平拼接並顯示

hmerge = np.hstack((gray1, gray2)) #水平拼接
plt.figure(num=1,figsize=(16,16))
plt.imshow(hmerge,cmap='gray')
plt.title('gray')
plt.axis('off')
plt.show()

在這裏插入圖片描述

使用cv2.drawKeypoints（）進行畫圖操作，在圖中畫出關鍵點。

img3 = cv2.drawKeypoints(img1,kp1,img1,color=(255,0,255))
img4 = cv2.drawKeypoints(img2,kp2,img2,color=(255,0,255))


Img1 = cv2.drawKeypoints(img1,kp,img1,color=(255,0,255))
Img2 = cv2.drawKeypoints(img2,kpkp,img2,color=(255,0,255))

水平拼接並顯示

hmerge = np.hstack((Img1, Img2)) #水平拼接
plt.figure(num=1,figsize=(16,16))
plt.imshow(hmerge)
plt.title('keypoint')
plt.axis('off')
plt.show()

在這裏插入圖片描述

hmerge1 = np.hstack((Img1, Img2)) #水平拼接
plt.figure(num=1,figsize=(16,16))
plt.imshow(hmerge1)
plt.title('keypoint1')
plt.axis('off')
plt.show()

在這裏插入圖片描述

flann.knnMatch解決匹配並調整ratio

matches = flann.knnMatch(des1,des2,k=2)
matchesMask = [[0,0] for i in range(len(matches))]

good = []
for m,n in matches:
    if m.distance < 0.7*n.distance:
        good.append([m])

img5 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)

Img5 = cv2.drawMatchesKnn(img3,kp,img4,kpkp,good,None,flags=2)

顯示特徵匹配新效果圖

plt.figure(num=1,figsize=(16,16))
plt.imshow(img5)
plt.title('SIFT_rotation')
plt.axis('off')
plt.show()

在這裏插入圖片描述

plt.figure(num=1,figsize=(16,16))
plt.imshow(Img5)
plt.title('ORB_rotation')
plt.axis('off')
plt.show()

在這裏插入圖片描述

驗證尺度不變性
載入圖片並顯示尺寸大小和原始圖片

img1 = cv2.imread("C:/users/Administrator/Desktop/1.jpg")
img2 = cv2.imread("C:/users/Administrator/Desktop/3.jpg")
img1 = cv2.cvtColor(img1,cv2.COLOR_BGR2RGB)
img2 = cv2.cvtColor(img2,cv2.COLOR_BGR2RGB)
print(img1.shape)
print(img2.shape)
plt.figure(num=1,figsize=(12,12))
plt.imshow(img1,cmap='gray')
plt.title('original_img1')
plt.axis('off')
plt.show()
plt.figure(num=1,figsize=(12,12))
plt.imshow(img2,cmap='gray')
plt.title('original_img2')
plt.axis('off')
plt.show()

(400, 600, 3)
(200, 300, 3)

在這裏插入圖片描述

在這裏插入圖片描述

灰度化處理，打印描述符數組維度和關鍵點個數

gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
kp1, des1 = sift.detectAndCompute(img1,None)
Kp1, Des1 = orb.detectAndCompute(img1,None)
print (des1.shape) #描述符數組維度 
print(len(kp1))   #關鍵點個數

(2336, 128)
2336

灰度化處理，打印描述符數組維度和關鍵點個數

gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
kp2, des2 = sift.detectAndCompute(img2,None)
Kp2, Des2 = sift.detectAndCompute(img2,None)
print (des1.shape) #描述符數組維度 
print(len(kp2))   #關鍵點個數

(2336, 128)
770

顯示灰度化圖像

plt.figure(num=1,figsize=(12,12))
plt.imshow(gray1,cmap='gray')
plt.title('gray1')
plt.axis('off')
plt.show()
plt.figure(num=1,figsize=(12,12))
plt.imshow(gray2,cmap='gray')
plt.title('gray2')
plt.axis('off')
plt.show()

在這裏插入圖片描述

在這裏插入圖片描述

img3 = cv2.drawKeypoints(img1,kp1,img1,color=(255,0,255))
img4 = cv2.drawKeypoints(img2,kp2,img2,color=(255,0,255))
Img3 = cv2.drawKeypoints(img1,Kp1,img1,color=(255,0,255))
Img4 = cv2.drawKeypoints(img2,Kp2,img2,color=(255,0,255))

畫出關鍵點並顯示

plt.figure(num=1,figsize=(12,12))
plt.imshow(img3)
plt.title('keypoint_img3')
plt.axis('off')
plt.show()
plt.figure(num=1,figsize=(12,12))
plt.imshow(img4)
plt.title('keypoint_img4')
plt.axis('off')
plt.show()

在這裏插入圖片描述

在這裏插入圖片描述

plt.figure(num=1,figsize=(12,12))
plt.imshow(Img3)
plt.title('keypoint_img3')
plt.axis('off')
plt.show()
plt.figure(num=1,figsize=(12,12))
plt.imshow(Img4)
plt.title('keypoint_img4')
plt.axis('off')
plt.show()

在這裏插入圖片描述

在這裏插入圖片描述

matches = flann.knnMatch(des1,des2,k=2)
matchesMask = [[0,0] for i in range(len(matches))]

good = []
for m,n in matches:
    if m.distance < 0.7*n.distance:
        good.append([m])

img5 = cv2.drawMatchesKnn(img1,Kp1,img2,kp2,good,None,flags=2)
Img5 = cv2.drawMatchesKnn(img1,kp1,img2,Kp2,good,None,flags=2)

顯示特徵匹配效果圖

plt.figure(num=1,figsize=(16,16))
plt.imshow(img5)
plt.title('SIFT_size')
plt.axis('off')
plt.show()

在這裏插入圖片描述

plt.figure(num=1,figsize=(16,16))
plt.imshow(Img5)
plt.title('ORB_size')
plt.axis('off')
plt.show()

在這裏插入圖片描述

驗證亮度不變性
將原始圖片改變亮度和對比度，然後進行對比顯示

img1 = cv2.imread("C:/users/Administrator/Desktop/1.jpg")
img1 = cv2.cvtColor(img1,cv2.COLOR_BGR2RGB)
res = np.uint8(np.clip((1.5 * img1 + 10), 0, 255))
print(img1.shape)
print(res.shape)
tmp = np.hstack((img1, res))  # 兩張圖片橫向合併（便於對比顯示）
plt.figure(num=1,figsize=(16,16))
plt.imshow(tmp)
plt.title('original')
plt.axis('off')
plt.show()

(400, 600, 3)
(400, 600, 3)

在這裏插入圖片描述

gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) #灰度處理圖像
kp1, des1 = sift.detectAndCompute(img1,None)#des是描述符
Kp1, Des1 = sift.detectAndCompute(img1,None)#des是描述符
print (des1.shape) #描述符數組維度 
print(len(kp1))   #關鍵點個數

(1085, 128)
1085

gray2 = cv2.cvtColor(res, cv2.COLOR_BGR2GRAY) #灰度處理圖像
kp2, des2 = sift.detectAndCompute(res,None)#des是描述符
Kp2, Des2 = sift.detectAndCompute(res,None)#des是描述符
print (des2.shape) #描述符數組維度 
print(len(kp2))   #關鍵點個數

(1066, 128)
1066

hmerge = np.hstack((gray1, gray2))  # 兩張圖片橫向合併（便於對比顯示）
plt.figure(num=1,figsize=(16,16))
plt.imshow(hmerge,cmap='gray')
plt.title('gray')
plt.axis('off')
plt.show()

在這裏插入圖片描述

img3 = cv2.drawKeypoints(img1,kp1,img1,color=(255,0,255))
img4 = cv2.drawKeypoints(res,kp2,res,color=(255,0,255))
Img3 = cv2.drawKeypoints(img1,Kp1,img1,color=(255,0,255))
Img4 = cv2.drawKeypoints(res,Kp2,res,color=(255,0,255))

hmerge = np.hstack((img3, img4)) #水平拼接
plt.figure(num=1,figsize=(16,16))
plt.imshow(hmerge)
plt.title('keypoint')
plt.axis('off')
plt.show()

在這裏插入圖片描述

hmerge = np.hstack((Img3, Img4)) #水平拼接
plt.figure(num=1,figsize=(16,16))
plt.imshow(hmerge)
plt.title('keypoint')
plt.axis('off')
plt.show()

在這裏插入圖片描述

flann.knnMatch解決匹配並調整ratio

matches = flann.knnMatch(des1,des2,k=2)
matchesMask = [[0,0] for i in range(len(matches))]

good = []
for m,n in matches:
    if m.distance < 0.7*n.distance:
        good.append([m])

img5 = cv2.drawMatchesKnn(img1,kp1,res,kp2,good,None,flags=2)
Img5 = cv2.drawMatchesKnn(img1,Kp1,res,Kp2,good,None,flags=2)

顯示特徵匹配效果圖

plt.figure(num=1,figsize=(16,16))
plt.imshow(img5)
plt.title('SIFT_brightness')
plt.axis('off')
plt.show()
plt.figure(num=1,figsize=(16,16))
plt.imshow(Img5)
plt.title('ORB_brightness')
plt.axis('off')
plt.show()

在這裏插入圖片描述

在這裏插入圖片描述

驗證仿射不變性
對原圖進行仿射變換並輸出

img = cv2.imread('C:/users/Administrator/Desktop/1.jpg')
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
rows, cols, ch = img.shape
 
pts1 = np.float32([[0, 0], [cols - 1, 0], [0, rows - 1]])
pts2 = np.float32([[cols * 0.2, rows * 0.1], [cols * 0.9, rows * 0.2], [cols * 0.1, rows * 0.9]])
 
M = cv2.getAffineTransform(pts1, pts2)
dst = cv2.warpAffine(img, M, (cols, rows))
plt.figure(num=1,figsize=(16,16))
plt.imshow(dst)
plt.title('affine_img')
plt.axis('off')
plt.show()

在這裏插入圖片描述

顯示原圖和仿射圖

print(img.shape)
print(dst.shape)
hmerge = np.hstack((img, dst))  # 兩張圖片橫向合併（便於對比顯示）
plt.figure(num=1,figsize=(16,16))
plt.imshow(hmerge)
plt.title('original')
plt.axis('off')
plt.show()

(400, 600, 3)
(400, 600, 3)

在這裏插入圖片描述

gray1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #灰度處理圖像
kp1, des1 = sift.detectAndCompute(img,None)#des是描述符
Kp1, Des1 = sift.detectAndCompute(img,None)#des是描述符
print (des1.shape) #描述符數組維度 
print(len(kp1))   #關鍵點個數

(1085, 128)
1085

gray2 = cv2.cvtColor(dst, cv2.COLOR_BGR2GRAY) #灰度處理圖像
kp2, des2 = sift.detectAndCompute(dst,None)#des是描述符
Kp2, Des2 = sift.detectAndCompute(dst,None)#des是描述符
print (des2.shape) #描述符數組維度 
print(len(kp2))   #關鍵點個數

(810, 128)
810

顯示灰度化圖像

hmerge = np.hstack((gray1, gray2))  # 兩張圖片橫向合併（便於對比顯示）
plt.figure(num=1,figsize=(16,16))
plt.imshow(hmerge,cmap='gray')
plt.title('gray')
plt.axis('off')
plt.show()

在這裏插入圖片描述

img3 = cv2.drawKeypoints(img,kp1,img,color=(255,0,255))
img4 = cv2.drawKeypoints(dst,kp2,dst,color=(255,0,255))
Img3 = cv2.drawKeypoints(img,Kp1,img,color=(255,0,255))
Img4 = cv2.drawKeypoints(dst,Kp2,dst,color=(255,0,255))

畫關鍵點並顯示

hmerge = np.hstack((img3, img4)) #水平拼接
plt.figure(num=1,figsize=(16,16))
plt.imshow(hmerge)
plt.title('keypoint')
plt.axis('off')
plt.show()
hmerge = np.hstack((Img3, Img4)) #水平拼接
plt.figure(num=1,figsize=(16,16))
plt.imshow(hmerge)
plt.title('keypoint')
plt.axis('off')
plt.show()

在這裏插入圖片描述

在這裏插入圖片描述

matches = flann.knnMatch(des1,des2,k=2)
matchesMask = [[0,0] for i in range(len(matches))]

good = []
for m,n in matches:
    if m.distance < 0.7*n.distance:
        good.append([m])

img5 = cv2.drawMatchesKnn(img,kp1,dst,kp2,good,None,flags=2)
Img5 = cv2.drawMatchesKnn(img,Kp1,dst,Kp2,good,None,flags=2)
print(img5)
print(Img5)

[[[255 255 255]
  [255 255 255]
  [255 255 255]
  ...
  [  0   0   0]
  [  0   0   0]
  [  0   0   0]]

 [[255 255 255]
  [255 255 255]
  [255 255 255]
  ...
  [  0   0   0]
  [  0   0   0]
  [  0   0   0]]

 [[255 255 255]
  [255 255 255]
  [255 255 255]
  ...
  [  0   0   0]
  [  0   0   0]
  [  0   0   0]]

 ...

 [[151 148 139]
  [154 151 142]
  [152 149 140]
  ...
  [  0   0   0]
  [  0   0   0]
  [  0   0   0]]

 [[140 140 132]
  [143 143 135]
  [142 142 134]
  ...
  [  0   0   0]
  [  0   0   0]
  [  0   0   0]]

 [[146 146 138]
  [148 148 140]
  [146 146 138]
  ...
  [  0   0   0]
  [  0   0   0]
  [  0   0   0]]]
[[[255 255 255]
  [255 255 255]
  [255 255 255]
  ...
  [  0   0   0]
  [  0   0   0]
  [  0   0   0]]

 [[255 255 255]
  [255 255 255]
  [255 255 255]
  ...
  [  0   0   0]
  [  0   0   0]
  [  0   0   0]]

 [[255 255 255]
  [255 255 255]
  [255 255 255]
  ...
  [  0   0   0]
  [  0   0   0]
  [  0   0   0]]

 ...

 [[151 148 139]
  [154 151 142]
  [152 149 140]
  ...
  [  0   0   0]
  [  0   0   0]
  [  0   0   0]]

 [[140 140 132]
  [143 143 135]
  [142 142 134]
  ...
  [  0   0   0]
  [  0   0   0]
  [  0   0   0]]

 [[146 146 138]
  [148 148 140]
  [146 146 138]
  ...
  [  0   0   0]
  [  0   0   0]
  [  0   0   0]]]

顯示特徵匹配效果圖

plt.figure(num=1,figsize=(16,16))
plt.imshow(img5)
plt.title('SIFT_affine')
plt.axis('off')
plt.show()
plt.figure(num=1,figsize=(16,16))
plt.imshow(Img5)
plt.title('ORB_affine')
plt.axis('off')
plt.show()

在這裏插入圖片描述

在這裏插入圖片描述

orb 不支持放射不變性 orb提取特徵速度更快

發表評論
所有評論
還沒有人評論，想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章

利用 appium opencv 和 pyautogui 實現圖像識別 + 自動操作

  此次踩坑過多，先做一次簡單記錄，然後再不斷完善。 問題描述： 1、先是 appium 啓動後，執行 python 代碼模塊到 session.find_element(MobileBy.IMAGE, image_test) 時，會報錯提

原創 2024-03-18 14:04:09

動手實踐丨輕量級目標檢測與分割算法開發和部署(RK3568)

本文分享自華爲雲社區《自動駕駛(AIOT) - 輕量級目標檢測與分割算法開發和部署(RK3568)【玩轉華爲雲】》，作者：HouYanSong。 本文將在ModelArts平臺上開發輕量級目標檢測與分割算法，並使用ModelBox框架在RK

原創 2024-02-26 23:10:28

OpenCV MacOS源碼安裝

在Mac上折騰了一天的OpenCV源碼安裝，記錄一下備忘 正常的步驟： 按照說明文檔，下載源碼，解壓，進入目錄 mkdir release cd release cmake -D BUILD_TESTS=OFF .. make -j8 su

原創 2023-09-28 13:45:32

視頻流整理

碼流的計算 分辨率 x軸的像素個數*y軸的像素個數 常見的寬高比：16:9    4:3 360P/720P/1K/2K：這些都是16:9的寬高比，其中360P爲640*360；720P爲1280*720；1K爲1920*1080，

原創 2023-04-18 01:38:04

「硬核實操」如何擁有一個自己的數字人模型

作者：京東健康 陳剛 一、前言 近年來，隨着人工智能技術，VR，元宇宙等技術的發展，數字人（Digital Human）逐漸成爲研究的熱點之一，數字人是指通過計算機技術模擬出的具有人類外表，動作和語言能力的虛擬人物，具體可以應用到電影、遊

原創 2023-04-03 11:48:52

同一作者的《OpenCV 4快速入門》與《OpenCV 4詳解：基於Python》的對比

 《OpenCV 4快速入門》2020出版，407頁   《OpenCV 4詳解：基於Python》2021出版，363頁 第 1章　初識OpenCV 2 第 1章　初識OpenCV 1 1.1　什麼是OpenCV 2 1．1　什

原創 2023-02-24 00:58:54

OpenCV 中的圖像處理 005_形態變換

本文主要內容來自於 OpenCV-Python 教程 的 OpenCV 中的圖像處理 部分，這部分的全部主要內容如下： 改變色彩空間 學習在不同色彩空間之間改變圖像。另外學習跟蹤視頻中的彩色對象。 圖像的幾何變換 學習對圖像應用不同

原創 2022-04-30 09:19:21

OpenCV_004-OpenCV 中的繪製功能

本文主要內容來自於 OpenCV-Python 教程 的 OpenCV 中的 GUI 功能 部分，這個部分的主要內容如下： 圖像操作入門 學習加載一幅圖像，顯示它，並保存它 視頻入門 學習播放視頻，從攝像頭捕捉視頻，以及寫入視頻 Open

原創 2022-04-30 09:19:20

OpenCV_005-OpenCV 鼠標作爲畫筆

本文主要內容來自於 OpenCV-Python 教程 的 OpenCV 中的 GUI 功能 部分，這個部分的主要內容如下： 圖像操作入門 學習加載一幅圖像，顯示它，並保存它 視頻入門 學習播放視頻，從攝像頭捕捉視頻，以及寫入視頻 Open

原創 2022-04-30 09:19:17

OpenCV 中的圖像處理 002_圖像的幾何變換

本文主要內容來自於 OpenCV-Python 教程 的 OpenCV 中的圖像處理 部分，這個部分的主要內容如下： 改變色彩空間 學習在不同色彩空間之間改變圖像。另外學習跟蹤視頻中的彩色對象。 圖像的幾何變換 學習對圖像應用不同的

原創 2022-04-30 09:19:16

OpenCV_006-OpenCV 軌跡欄作爲調色板

本文主要內容來自於 OpenCV-Python 教程 的 OpenCV 中的 GUI 功能 部分，這個部分的主要內容如下： 圖像操作入門 學習加載一幅圖像，顯示它，並保存它 視頻入門 學習播放視頻，從攝像頭捕捉視頻，以及寫入視頻 Open

原創 2022-04-30 09:19:12

OpenCV_007-OpenCV 中的圖像基本操作

本文主要內容來自於 OpenCV-Python 教程 的 核心操作 部分，這個部分的主要內容如下： 圖像的基本操作 學習讀取和編輯像素值，使用圖像 ROI 和其它的基本操作。 圖像的算術運算 對圖像執行算術運算 性能測量和提升技

原創 2022-04-30 09:19:09

OpenCV_008-OpenCV 中的圖像算術運算

本文主要內容來自於 OpenCV-Python 教程 的 核心操作 部分，這個部分的主要內容如下： 圖像的基本操作 學習讀取和編輯像素值，使用圖像 ROI 和其它的基本操作。 圖像的算術運算 對圖像執行算術運算 性能測量和提升技

原創 2022-04-30 09:18:57

OpenCV 簡介

1：環境搭建 下載python 安裝包 安裝，然後配置環境變量（不在贅述） 這裏我用的是Vscode 裝幾個python使用的插件，就行了。 然後 Ctrl+Shift+P 配置 python 解析器 pip install op

原創 2021-12-25 21:34:23

python numpy opencv 計算輪廓/多邊形的形心

過程： 0）安裝，引入相關庫, 定義取三角形面積的函數 import cv2 as cv import numpy as np import math #通過三頂點直接求三角形面積 def triangle_area(p1,

原創 2021-12-25 21:32:45