一天一个Python知识点——Day 157:图像特征提取

import cv2import numpy as npimg = cv2.imread('building.jpg')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# Harris角点检测dst = cv2.cornerHarris(gray, blockSize=2, ksize=3, k=0.04)# 标记角点img[dst > 0.01 * dst.max()] = [0, 0, 255]  # 红色标记cv2.imshow('Harris Corners', img)cv2.waitKey(0)cv2.destroyAllWindows()

import cv2img = cv2.imread('cat.jpg')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建SIFT对象sift = cv2.SIFT_create()# 检测关键点并计算描述符keypoints, descriptors = sift.detectAndCompute(gray, None)# 绘制关键点img_with_kp = cv2.drawKeypoints(img, keypoints, None,                                  flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)cv2.imshow('SIFT Keypoints', img_with_kp)cv2.waitKey(0)

# 注意：OpenCV中SURF需要额外安装opencv-contrib-pythonsurf = cv2.xfeatures2d.SURF_create(hessianThreshold=400)keypoints, descriptors = surf.detectAndCompute(gray, None)

import cv2img = cv2.imread('cat.jpg')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建ORB对象（默认1000个关键点）orb = cv2.ORB_create(nfeatures=500)# 检测关键点并计算描述符keypoints, descriptors = orb.detectAndCompute(gray, None)# 绘制关键点（ORB不提供尺度方向绘图，简单画点）img_with_kp = cv2.drawKeypoints(img, keypoints, None, color=(0,255,0))cv2.imshow('ORB Keypoints', img_with_kp)cv2.waitKey(0)

import cv2import numpy as np# 读取两张图像img1 = cv2.imread('box.png', cv2.IMREAD_GRAYSCALE)img2 = cv2.imread('box_in_scene.png', cv2.IMREAD_GRAYSCALE)# 初始化ORBorb = cv2.ORB_create()# 检测关键点和描述符kp1, des1 = orb.detectAndCompute(img1, None)kp2, des2 = orb.detectAndCompute(img2, None)# 创建暴力匹配器（使用汉明距离，因为ORB描述符是二进制）bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)# 匹配matches = bf.match(des1, des2)# 按距离排序（距离越小越好）matches = sorted(matches, key=lambda x: x.distance)# 绘制前20个匹配img_matches = cv2.drawMatches(img1, kp1, img2, kp2, matches[:20], None,                              flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)cv2.imshow('Matches', img_matches)cv2.waitKey(0)

# KNN匹配（k=2）bf = cv2.BFMatcher(cv2.NORM_HAMMING)matches = bf.knnMatch(des1, des2, k=2)# Lowe's比率测试good_matches = []for m, n in matches:    if m.distance < 0.75 * n.distance:        good_matches.append(m)# 绘制好匹配img_good = cv2.drawMatches(img1, kp1, img2, kp2, good_matches, None,                          flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)

# FLANN参数（ORB需用LSH索引）FLANN_INDEX_LSH = 6index_params = dict(algorithm=FLANN_INDEX_LSH,                    table_number=6,                    key_size=12,                    multi_probe_level=1)search_params = dict(checks=50)flann = cv2.FlannBasedMatcher(index_params, search_params)matches = flann.knnMatch(des1, des2, k=2)

import cv2import numpy as npclass ImageStitcher:    """图像拼接器"""    def __init__(self, method='ORB'):        self.method = method        if method == 'SIFT':            self.detector = cv2.SIFT_create()            self.norm = cv2.NORM_L2        else:  # ORB            self.detector = cv2.ORB_create()            self.norm = cv2.NORM_HAMMING    def detect_and_compute(self, img):        """检测关键点和描述符"""        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)        kp, des = self.detector.detectAndCompute(gray, None)        return kp, des    def match_features(self, des1, des2):        """特征匹配 + Lowe's比率测试"""        if self.method == 'ORB':            bf = cv2.BFMatcher(self.norm)        else:  # SIFT            bf = cv2.BFMatcher(self.norm)        matches = bf.knnMatch(des1, des2, k=2)        # 比率测试        good = []        for m, n in matches:            if m.distance < 0.75 * n.distance:                good.append(m)        return good    def find_homography(self, kp1, kp2, matches):        """用RANSAC求单应性矩阵"""        if len(matches) < 4:            return None        src_pts = np.float32([kp1[m.queryIdx].pt for m in matches]).reshape(-1, 1, 2)        dst_pts = np.float32([kp2[m.trainIdx].pt for m in matches]).reshape(-1, 1, 2)        H, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)        return H    def stitch(self, img1, img2):        """拼接两张图像"""        # 1. 特征提取        kp1, des1 = self.detect_and_compute(img1)        kp2, des2 = self.detect_and_compute(img2)        # 2. 特征匹配        matches = self.match_features(des1, des2)        print(f"找到 {len(matches)} 个匹配点")        # 3. 计算单应性矩阵        H = self.find_homography(kp1, kp2, matches)        if H is None:            print("无法计算单应性矩阵")            return None        # 4. 计算拼接后图像尺寸        h1, w1 = img1.shape[:2]        h2, w2 = img2.shape[:2]        # 将img1的四个角点变换到img2坐标系        corners1 = np.float32([[0, 0], [0, h1], [w1, h1], [w1, 0]]).reshape(-1, 1, 2)        corners1_trans = cv2.perspectiveTransform(corners1, H)        # 合并所有角点        corners = np.concatenate((corners1_trans,                                  np.float32([[0,0],[0,h2],[w2,h2],[w2,0]]).reshape(-1,1,2)))        # 计算最小矩形包围所有角点        [xmin, ymin] = np.int32(corners.min(axis=0).ravel() - 0.5)        [xmax, ymax] = np.int32(corners.max(axis=0).ravel() + 0.5)        # 平移变换矩阵（将图像移动到正坐标）        H_trans = np.array([[1, 0, -xmin], [0, 1, -ymin], [0, 0, 1]], dtype=np.float32)        # 5. 变换并融合        result = cv2.warpPerspective(img1, H_trans @ H, (xmax - xmin, ymax - ymin))        result[-ymin:-ymin + h2, -xmin:-xmin + w2] = img2        return result# 使用示例if __name__ == '__main__':    # 读取两张有重叠的图像    img_left = cv2.imread('left.jpg')    img_right = cv2.imread('right.jpg')    if img_left is None or img_right is None:        print("请确保 left.jpg 和 right.jpg 存在")        exit()    stitcher = ImageStitcher(method='ORB')    result = stitcher.stitch(img_left, img_right)    if result is not None:        cv2.imshow('Stitched Panorama', result)        cv2.waitKey(0)        cv2.imwrite('panorama.jpg', result)    cv2.destroyAllWindows()