概述
OpenCV 是一个跨平台的计算机视觉库, 支持本文来源gaodaimacom搞#代%码@网-多语言, 功能强大. 今天小白就带大家一起携手走进 OpenCV 的世界. (第 24 课)
图像尺度空间
在一定的范围内, 无论物体是大还是小, 人眼都可以分辨出来. 而计算机要有相同的能力却很难, 所以要让机器能够对物体在不同尺度下有一个统一的认知, 就需要考虑图像在不同的尺度下都存在的特点.
多分辨率金字塔
使用高斯模糊, 不同的 σ 决定了图像的平滑程度, 越大的 σ 值对应的图像越模糊. 通过使用不同的 σ 我们可以实现多分辨率金字塔.
高斯模糊:
cv2.GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)
- src: 需要滤波的图片
- ksize: 卷积核大小
- sigmaX: 高斯核函数在 X 方向的的标准偏差
- sigmaY: 高斯核函数在 Y 方向的的标准偏差
例子:
import cv2
from matplotlib import pyplot as plt
# 读取图片
img = cv2.imread("face.jpg")
# 画图
f, ax = plt.subplots(2, 3, figsize=(12, 8))
ax[0, 0].imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
ax[0, 0].set_title("original")
ax[0, 0].set_xticks([])
ax[0, 0].set_yticks([])
# 高斯模糊
for i in range(1, 6):
# 高斯模糊
image_blur = cv2.GaussianBlur(img, (15, 15), i)
# 计算子图
ax[int(i/3), i % 3].imshow(cv2.cvtColor(image_blur, cv2.COLOR_BGR2RGB))
# 标题
ax[int(i/3), i % 3].set_title("σ" + str(i))
ax[int(i/3), i % 3].set_xticks([])
ax[int(i/3), i % 3].set_yticks([])
# 展示图片
plt.show()
输出结果:
高斯差分金字塔
DoG (Difference of Gaussian) 即高斯差分金字塔, 是在高斯金字塔的基础上构建起来的. 通过对高斯金字塔逐层相减, 得到 t-1 的高斯差分金字塔:
计算极值点
DoG 空间极值检测: 将每个像素点和同一层周围的 8 个像素点以及上下两层的 18 个像素点, 共 26 个像素点进行比较. 如果一像素点大于或小于邻近的 26 个像素点的时候, 就成为了极值点.
SIFT 算法
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：OpenCV半小时掌握基本操作之SIFT算法
转载请注明原文链接：OpenCV半小时掌握基本操作之SIFT算法
