OpenCV库（二）
- 五、图像直方图
  - 1、基本概念
  - 2、统计函数
  - 3、绘制直方图
    - 3.1 matplotlib
    - 3.2 OpenCV
  - 4、使用掩膜的直方图
- 六、视频采集
  - 1、打开视频
  - 2、读取数据
  - 3、视频属性
  - 4、视频录制
  - 5、控制鼠标
- 七、特征检测
  - 1、基本概念
  - 2、 Harris角点检测
  - 3、 SIFT 关键点检测
  - 4、 Shi-Tomasi角点检测
  - 5、 Fast算法
    - 5.1 原理
    - 5.2 机器学习的角点检测器
    - 5.3 非极大值抑制
    - 5.4 实现
  - 6、 ORB算法
    - 6.1 原理
    - 6.2 实现

OpenCV库（二）

五、图像直方图

1、基本概念

在统计学中，直方图是一种对数据分布情况的图形表示，是一种二维统计图表

图像直方图是用一表示数字中亮度分布的直方图，标绘了图像中每个亮度值的像素数，可以借助观察该直方图了需要如何调整亮度分布的直方图。这种直方图中，横坐标的左侧为纯黑、较暗的区域，而右侧为较亮、纯白的区域。因此，一张较暗图片的图像直方图中的数据多集中于左侧和中间部分，而整体明亮，只有少量明显的图像则相反

横坐标：图像中各个像素点的灰度级
纵坐标：具有该灰度的像素个数

2、统计函数

语法：

calcHist(imgs, channels, mask, histSize, ranges[, hist[, accumulate]])

参数：

imgs ：图像集，传入一个图像列表
channels
：指定通道

需要用中括号括起来，输入图像是灰度图像的值是[0]，彩色图像可以是[0], [1], [2]，分别对应B, G, R
mask ：掩码图像
- 统计整副图像的直方图，设为None
- 统计图像某一部分的直方图时，需要设置掩码图像
histSize
：BINS的数量

需要用中括号括起来，例如[256]
ranges ：像素值范围，例如[0, 255]
accumulate ：累积标识
- 默认值为False
- 如果被设置为True，则直方图在开始分配时不会被清零
- 该参数允许从多个对象中计算单个直方图，或者用于实时更新直方图
- 多个直方图的累积结果，用于对一组图像计算直方图

# ！/usr/bin/python3
# -*- coding: UTF-8 -*-
__author__ = "A.L.Kun"
__file__ = "demo9.py"
__time__ = "2022/7/18 18:09"
import cv2.cv2 as cv2
import numpy as np

# 读取图像
img = cv2.imread("./img/1.jpg")
assert isinstance(img, np.ndarray)

hist = cv2.calcHist([img], [0], None, [256], [0, 255])
print(hist.shape)
# 如何绘制直方图

3、绘制直方图

3.1 matplotlib

# ！/usr/bin/python3
# -*- coding: UTF-8 -*-
__author__ = "A.L.Kun"
__file__ = "demo9.py"
__time__ = "2022/7/18 18:09"
import cv2.cv2 as cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread("./img/1.jpg", cv2.IMREAD_GRAYSCALE)  # 读取黑白效果
assert isinstance(img, np.ndarray)
# print(img.ravel())

# 统计直方图数据
plt.hist(img.ravel(), 256, [0, 255])  # 转换为一维数据，
plt.show()  # 绘制直方图数据

3.2 OpenCV

# ！/usr/bin/python3
# -*- coding: UTF-8 -*-
__author__ = "A.L.Kun"
__file__ = "demo9.py"
__time__ = "2022/7/18 18:09"
import cv2.cv2 as cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread("./img/1.jpg")  # 读取黑白效果
assert isinstance(img, np.ndarray)
# 统计直方图数据
histB = cv2.calcHist([img], [0], None, [256], [0, 255])  # 蓝色通道
histG = cv2.calcHist([img], [1], None, [256], [0, 255])  # 绿色通道
histR = cv2.calcHist([img], [2], None, [256], [0, 255])   # 红色通道

# 画图
plt.plot(histB, color="b", label="blue")
plt.plot(histG, color="g", label="green")
plt.plot(histR, color="r", label="red")
plt.legend()
plt.show()

4、使用掩膜的直方图

如何生成掩膜：

先生成一个全黑的图像和原图图像大小一样大的图片， mask = np.zeros(img.shape, np.uint8)
将想要的区域通过索引方式设置为255, mask[100: 200, 200: 300] = 255

# ！/usr/bin/python3
# -*- coding: UTF-8 -*-
__author__ = "A.L.Kun"
__file__ = "demo9.py"
__time__ = "2022/7/18 18:09"
import cv2.cv2 as cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread("./img/1.jpg", cv2.IMREAD_GRAYSCALE)  # 读取黑白效果
assert isinstance(img, np.ndarray)

# 生成掩膜
mask = np.zeros(img.shape, np.uint8)
mask[100:700, 200: 900] = 255

# # 进行与操作：img和img做与运算，结果再和mask做与运算
# new_img = cv2.bitwise_and(img, img, mask=mask)

# 掩膜直方图，专门对某一个区域
hist_mask = cv2.calcHist([img], [0], mask, [256], [0, 255])
hist_gray = cv2.calcHist([img], [0], None, [256], [0, 255])

# 统计结果
plt.plot(hist_mask, label="mask")
plt.plot(hist_gray, label="gray")
plt.legend()
plt.show()

六、视频采集

1、打开视频

视频是有图片组成的，视频的每一帧都是一副图片，一般是30fps，表示每秒显示30张图片
cv2.VideoCapture 可以捕获摄像头，用数字来表示不同的设备，比如0,1
如果是视频文件，可以直接指定路径即可

#!/usr/bin/python3
# -*- coding: UTF-8 -*-
__author__ = "A.L.Kun"
__file__ = "demo10.py"
__time__ = "2022/7/29 19:20"
import cv2.cv2 as cv

# 打开视频文件
vc = cv.VideoCapture("./img/1.mp4")
# 打开摄像头
vc_ = cv.VideoCapture(0)

2、读取数据

#!/usr/bin/python3
# -*- coding: UTF-8 -*-
__author__ = "A.L.Kun"
__file__ = "demo10.py"
__time__ = "2022/7/29 19:20"
import cv2.cv2 as cv

# 打开摄像头，并读取数据
vc = cv.VideoCapture(0)  # 如果打开失败，或者是没有读取到数据，不会报错
while vc.isOpened():  # 如果摄像头成功打开
    # 读每一帧数据，返回标记，True表示读到了数据，False表示是没有读到数据
    flag, frame = vc.read()
    if not flag:
        break  # 如果没有读到数据，直接退出
    # 显示数据
    cv.imshow("video", frame)
    key = cv.waitKey(30)  # 注意，不能写0，不然要点退出才能展示下一帧的数据，每隔10毫秒显示数据
    if key & 0xFF == ord('q'):  # 使用 key 来监控键盘中输入的内容
        break

# 别忘了释放资源
vc.release()
cv.destroyAllWindows()

3、视频属性

参数	propld	功能
cv2.CAP_PROP_POS_MSEC	视频文件的当前位置（以毫秒为单位）或视频捕获时间戳
cv2.CAP_PROP_POS_FRAMES	1	基于0的索引将被解码/捕获下一帧
cv2.CAP_PROP_POS_AVI_RATIO	2	视频文件的相对位置：0 - 视频的开始，1 - 视频的结束
cv2.CAP_PROP_FRAME_WIDTH	3	帧的宽度
cv2.CAP_PROP_FRAME_HEIGHT	4	帧的高度
cv2.CAP_PROP_FPS	5	帧速
cv2.CAP_PROP_FOURCC	6	4个字符表示的视频编码器格式
cv2.CAP_PROP_FRAME_COUNT	7	帧数
cv2.CAP_PROP_FORMAT	8	byretrieve()返回的Mat对象的格式
cv2.CAP_PROP_MODE	9	指示当前捕获模式的后端特定值
cv2.CAP_PROP_BRIGHTNESS	10	图像的亮度（仅适用于相机）
cv2.CAP_PROP_CONTRAST	11	图像对比度（仅适用于相机）
cv2.CAP_PROP_SATURATION	12	图像的饱和度（仅适用于相机）
cv2.CAP_PROP_HUE	13	图像的色相（仅适用于相机）
cv2.CAP_PROP_GAIN	14	图像的增益（仅适用于相机）
cv2.CAP_PROP_EXPOSURE	15	曝光（仅适用于相机）
cv2.CAP_PROP_CONVERT_RGB	16	表示图像是否应转换为RGB的布尔标志
cv2.CAP_PROP_WHITE_BALANCE	17
cv2.CAP_PROP_RECTIFICATION	18	立体摄像机的整流标志

获取和修改属性值：

vc = cv.VideoCapture(0)  # 如果打开失败，或者是没有读取到数据，不会报错
vc.set(propId, value)  # 设置视频的属性值
"""
:propId: 上面表格中的id值
:value: 修改后的值
"""
vc.get(propId)  # 获取对应功能的值

4、视频录制

cv2.VideoWriter()

参数：
1. 输出文件
2. 多媒体文件的格式( VideoWriter_fourcc )
3. 帧率
4. 分辨率

write编码，并写入缓存

release函数将缓存内容写入磁盘，并释放资源

#!/usr/bin/python3
# -*- coding: UTF-8 -*-
__author__ = "A.L.Kun"
__file__ = "demo10.py"
__time__ = "2022/7/29 19:20"

import cv2.cv2 as cv

# 打开摄像头，并读取数据
cap = cv.VideoCapture(0)

fourcc = cv.VideoWriter_fourcc(*'mp4v')  # 文件格式，*表示解包操作

vw = cv.VideoWriter("./img/outer.mp4", fourcc, 30, (640, 480))  # (640, 480) 表示摄像头拍摄视频，这个大小不能搞错
cap.set(cv.CAP_PROP_FPS, 30)  # 设置摄像头的帧率

while cap.isOpened():  # 根据flag来判断是否读到了视频数据
    # 读每一帧数据，返回标记，True表示读到了数据，False表示是没有读到数据
    flag, frame = cap.read()
    if not flag:
        print("没有捕获到视频数据")
        break  # 如果没有读到数据，直接退出
    # 将数据写入文件中
    vw.write(frame)
    cv.imshow("frame", frame)
    if cv.waitKey(1000 // 30) == ord('q'):
        break

vw.release()  # 将数据内容写入文件中
cap.release()  # 并释放缓存内容
cv.destroyAllWindows()  # 摧毁窗口

VideoWriter_fourcc

：

CV_FOURCC('I','4','2','0') ：未压缩的YUV编码，4:2:0色度子采样。这种编码广泛兼容，但会产生大文件。文件扩展名应为.avi
CV_FOURCC('P','I','M','1') ：MPEG-1编码。文件扩展名应为.avi。
CV_FOURCC('X','V','I','D') ：相对较旧的MPEG-4编码。如果要限制结果视频的大小，这是一个很好的选择。文件扩展名应为.avi。
CV_FOURCC('M','P','4','V') ：另一个相对较旧的MPEG-4编码。如果要限制结果视频的大小，这是一个很好的选择。文件扩展名应为.mp4
CV_FOURCC('X','2','6','4'): 一种比较新的MPEG-4编码方式。如果你想限制结果视频的大小，这可能是最好的选择。文件扩展名应为.mp4
CV_FOURCC('F','L','V','1') ：此选项为Flash视频。文件扩展名应为.flv

5、控制鼠标

OpenCV 允许我们对窗口上的鼠标动作做出响应

setMouseCallbask(winname, callback, userdata)
- winname ：窗口名字
- callback ：回调函数
- userdata ：给回调函数传递的参数
callback(event, x, y, flags, userdata)
- event ：鼠标事件
- x, y ：坐标点
- flags ：主要用于组合键
- userdata ：给回调函数传递的参数

鼠标事件：

EVENT_MOUSEMOVE 0            # 滑动
EVENT_LBUTTONDOWN 1          # 左键点击
EVENT_RBUTTONDOWN 2          # 右键点击
EVENT_MBUTTONDOWN 3          # 中键点击
EVENT_LBUTTONUP 4            # 左键放开
EVENT_RBUTTONUP 5            # 右键放开
EVENT_MBUTTONUP 6            # 中键放开
EVENT_LBUTTONDBLCLK 7        # 左键双击
EVENT_RBUTTONDBLCLK 8        # 右键双击
EVENT_MBUTTONDBLCLK 9        # 中键双击

"""组合键"""
EVENT_FLAG_LBUTTON 1       # 左键拖曳  
EVENT_FLAG_RBUTTON 2       # 右键拖曳  
EVENT_FLAG_MBUTTON 4       # 中键拖曳  
EVENT_FLAG_CTRLKEY 8       # (8~15)按Ctrl不放事件  
EVENT_FLAG_SHIFTKEY 16     # (16~31)按Shift不放事件  
EVENT_FLAG_ALTKEY 32       # (32~39)按Alt不放事件

示例：

#!/usr/bin/python3
# -*- coding: UTF-8 -*-
__author__ = "A.L.Kun"
__file__ = "demo10.py"
__time__ = "2022/7/29 19:20"

import numpy as np
import cv2.cv2 as cv


# 回调函数函数名可以随便取
def callback_mouse(event, x, y, flags, userdata):
    """
    用来监听鼠标事件的函数
    :param event:  鼠标事件
    :param x: x坐标
    :param y: y坐标
    :param flags: 用于组合键
    :param userdata: 传入的数据
    :return: None
    """
    print(event, x, y, flags, userdata)


# 创建窗口
cv.namedWindow("mouse", cv.WINDOW_NORMAL)
cv.resizeWindow("mouse", 640, 360)

# 设置鼠标回调函数
cv.setMouseCallback("mouse", callback_mouse, "这个为传入的用户数据")  # 给mouse窗口添加回调函数
img = np.zeros((360, 640, 3), np.uint8)
while True:
    cv.imshow("mouse", img)
    if cv.waitKey(1) == ord("q"):
        break

cv.destroyAllWindows()

七、特征检测

1、基本概念

特征检测是计算机视觉和图像处理中的一种概念，它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征检测的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点，连续的曲线或者连续的区域

特征检测包括边缘检测、角检测、区域检测和脊检测

特征检测应用场景：

图像搜索，比如以图搜图
拼图游戏
图像拼接

平坦部分很难找到它在原图中的位置

边缘相对于平坦要好找一些，但是也不能立马确定

角点可以马上找到其在原图中的位置

图像特征就是值有意义的图像区域，具有独特性，易于识别，比较角点，斑点及高密度区

在图像特征中最重要的就是角点，哪些是角点呢？

灰度梯度的最大值对应的像素
两条线的交点
极值点

2、 Harris角点检测

人眼对角点的识别通常是在一个局部的小区域或小窗口完成的。如果在各个方向上移动这个特征的小窗口，窗口内区域的灰度发生了较大的变化，那么就认为在窗口内遇到了角点。如果这个特定的窗口在图像各个方向上移动时，窗口内图像的灰度没有发生变化，那么窗口内就不存在角点；如果窗口在某一个方向移动时，窗口内图像的灰度发生了较大的变化，而在另一些方向上没有发生变化，那么，窗口内的图像可能就是一条直线的线段。

对于图像I(x,y)I(x,y)，当在点(x,y)(x,y)处平移(Δx,Δy)(Δx,Δy)后的自相似性，可以通过自相关函数给出：

W(x,y)W(x,y)是以点(x, y)(x, y)为中心的窗口，即加权函数，例如高斯加权函数

基于泰勒展开式，对图像(x, y)I(x, y)在平移(Δx,Δy)(Δx,Δy)后进行一阶近似

其中，lx, lylx, ly 是图像I(x,y)I(x,y)的偏导数

近似可得：

其中M：

化简可得：

二次项函数本质上就是一个椭圆函数，椭圆方程为：

椭圆函数特征值与图像中的角点、直线（边缘）和平面之间的关系如下图所示。共可分为三种情况：

图像中的直线。一个特征值大，另一个特征值小，λ1≫λ2λ1≫λ2或λ2≫λ1λ2≫λ1。自相关函数值在某一方向上大，在其他方向上小。
图像中的平面。两个特征值都小，且近似相等；自相关函数数值在各个方向上都小。
图像中的角点。两个特征值都大，且近似相等，自相关函数在所有方向都增大。

根据二次项函数特征值的计算公式，我们可以求M(x,y)M(x,y)矩阵的特征值。但是Harris给出的角点差别方法并不需要计算具体的特征值，而是计算一个角点响应值RR来判断角点。RR的计算公式为：

\[R=detM−α(traceM)^2\\

detM=\lambda 1λ2=AC−B^2\\

traceM=λ2+λ2=A+C

语法：

cornerHarris(src, blockSize, ksize, k[, dist[, borderType]])

参数：

blockSize ：检测窗口大小
ksize ：sobel的卷积核
k ：权重系数，即上面公式中的\(\alpha\)，是一个经验值，一般取0.04~0.06之间，一般默认0.04

#!/usr/bin/python3
# -*- coding: UTF-8 -*-
__author__ = "A.L.Kun"
__file__ = "demo10.py"
__time__ = "2022/7/29 19:20"
import cv2.cv2 as cv2

# 读取图片
img = cv2.imread("./img/1.jpg")
# 转换为灰度图
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 角点检测
# blockSize 没有要求是必须奇数的，返回角点响应，R值
dst = cv2.cornerHarris(img_gray, 2, 3, 0.04)
# 显示角点
# 设定阈值：dst > 0.01 * dst.max()（经验值）
img[dst > (0.01 * dst.max())] = [0, 0, 255]  # 找到这些角点，并且将角点的颜色改为红色

cv2.imshow("img", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

3、 SIFT 关键点检测

SIFT，即尺度不变换特征转换，适用于图像处理领域的一种描述，这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子

Harris角点具有旋转不变的特性，但是缩放后，原来的角点有可能不就是角点了

算法原理：原理中公式太多，观摩大佬的文章

使用算法的步骤：

创建SIFT对象： sift = cv2.xfeatures2d.SIFT_create()
进行检测： kp = sift.detect(img, ...)
绘制关键点： cv2.drawKeypoints(gray, kp, img)

#!/usr/bin/python3
# -*- coding: UTF-8 -*-
__author__ = "A.L.Kun"
__file__ = "demo10.py"
__time__ = "2022/7/29 19:20"

import cv2.cv2 as cv2

# 读取图片
img = cv2.imread("./img/1.jpg")
# 转换为灰度图
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 注意：xfeatures2d是OpenCV的扩展包，需要安装opencv-contrib-python才有
# 创建sift对象
sift = cv2.xfeatures2d.SIFT_create()  # type: cv2.SIFT
# 进行检测
kp = sift.detect(img_gray)  # 是一个列表，里面存放的是封装的KeyPoint对象
# 绘制关键点
cv2.drawKeypoints(img_gray, kp, img)  # 创建角点的对象 角点列表 输出图像
cv2.imshow("img", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

关键点和描述子：

关键点：位置、大小和方向
描述子：记录了关键点周围对其有共享的像素点的一组向量值，其不受仿射变换，光照变换等影响。描述子的作用就是特征匹配，在后面进行特征匹配的时候会用上

#!/usr/bin/python3
# -*- coding: UTF-8 -*-
__author__ = "A.L.Kun"
__file__ = "demo10.py"
__time__ = "2022/7/29 19:20"

import cv2.cv2 as cv2

# 读取图片
img = cv2.imread("./img/1.jpg")
# 转换为灰度图
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 注意：xfeatures2d是OpenCV的扩展包，需要安装opencv-contrib-python才有
# 创建sift对象
sift = cv2.xfeatures2d.SIFT_create()  # type: cv2.SIFT

# 进行检测
# kp = sift.detect(img_gray)  # 是一个列表，里面存放的是封装的KeyPoint对象
# 检测关键点，并计算描述子
# kp, des = sift.compute(img, kp)
# 或者一步到位，把关键点和描述子一起检测出来
kp, des = sift.detectAndCompute(img_gray, None)
# 绘制关键点
cv2.drawKeypoints(img_gray, kp, img)  # 创建角点的对象 角点列表 输出图像
cv2.imshow("img", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

4、 Shi-Tomasi角点检测

Shi-Tomasi是Harris角点检测的改进
Harris角点检测计算的稳定性和K有关，而K是一个经验值，不太好设定最佳的K值
Shi-Tomasi发现，角点的稳定性其实和矩阵M的较小特征值有关，于是直接用较小的那个特征值作为分数，这样就不用调整K值了
- Shi-Tomasi将分数公式改为如下形式：\(R=min(\lambda_1\lambda_2)\)
- 和Harris一样，如果该分数大于设定的阈值，我们就认为它是一个角点

语法：

goodFeaturesToTrack(img, maxComers, qualityLevel, minDistance[, corners[, mask[, blockSize[, userHarrisDetect[, k]]]]])

maxCorner ：角点的最大数，值为0表示无限制
qualityLevel ：角点质量，小于1.0的整数，一般在0.01~0.1之间
minDiatance ：教之间最小欧氏距离，忽略小于此距离的点
mask ：掩膜
blockSize ：检测窗口的大小
userHarris ：是否使用Harris算法
k ：默认是0.04

#!/usr/bin/python3
# -*- coding: UTF-8 -*-
__author__ = "A.L.Kun"
__file__ = "demo10.py"
__time__ = "2022/7/29 19:20"
import numpy as np
import cv2.cv2 as cv2

# 读取图片
img = cv2.imread("./img/1.jpg")
# 转换为灰度图
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

corners = cv2.goodFeaturesToTrack(img_gray, 100, 0.01, 10)  # 最大找出100个角点
corners = np.int0(corners)  # 这个为坐标
# 画出角点
for i in corners:
    # i 相当于corners中的每一行数据
    # ravel() 二维数据变为一维数据
    x, y = i.ravel()
    cv2.circle(img, (x, y), 3, (0, 255, 0), -1)  # 实心圆

cv2.imshow("shi-tomasi", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

5、 Fast算法

5.1 原理

在图像中选取一个像素点 p，来判断它是不是关键点。 Ip 等于像素点 p的灰度值。
选择适当的阈值 t。
如下图所示在像素点 p 的周围选择 16 个像素点进行测试。

如果在这 16 个像素点中存在 n 个连续像素点的灰度值都高于 Ip + t，或者低于 Ip − t，那么像素点 p 就被认为是一个角点。如上图中的虚线所示，n 选取的值为 12。
为了获得更快的效果，还采用了而外的加速办法。首先对候选点的周围每个 90 度的点： 1， 9， 5， 13 进行测试（先测试 1 和 19, 如果它们符合阈值要求再测试 5 和 13）。如果 p 是角点，那么这四个点中至少有 3 个要符合阈值要求。如果不是的话肯定不是角点，就放弃。对通过这步测试的点再继续进行测试（是否有 12 的点符合阈值要求）。

这个检测器的效率很高，但是它有如下几条缺点：

• 当 n<12 时它不会丢弃很多候选点 (获得的候选点比较多)。

• 像素的选取不是最优的，因为它的效果取决与要解决的问题和角点的分布情况。

• 高速测试的结果被抛弃

• 检测到的很多特征点都是连在一起的。

前 3 个问题可以通过机器学习的方法解决，最后一个问题可以使用非最大值抑制的方法解决。

5.2 机器学习的角点检测器

选择一组训练图片（最好是跟最后应用相关的图片）
使用 FAST 算法找出每幅图像的特征点
对每一个特征点，将其周围的 16 个像素存储构成一个向量。对所有图像都这样做构建一个特征向量 P
每一个特征点的 16 像素点都属于下列三类中的一种
根据这些像素点的分类，特征向量 P 也被分为 3 个子集： Pd， Ps， Pb
定义一个新的布尔变量 Kp，如果 p 是角点就设置为 Ture，如果不是就设置为 False。
使用 ID3 算法（决策树分类器）使用ID3算法（决策树分类器）使用变量Kp查询每个子集，了解真实类的知识。它选择产生关于候选像素是否是由Kp的熵测量的角的最多信息的x
上述方法递归地应用于所有子集，直到其熵为零。
将构建好的决策树运用于其他图像的快速的检测

5.3 非极大值抑制

使用极大值抑制的方法可以解决检测到的特征点相连的问题：

对所有检测到到特征点构建一个打分函数 V。 V 就是像素点 p 与周围 16个像素点差值的绝对值之和。
计算临近两个特征点的打分函数 V，把V值较小的候选点去除掉
忽略 V 值最低的特征点

总结：

FAST算法比其他角点检测法都快；
在噪声很高时不稳定，这是由阈值决定的。

5.4 实现

import cv2.cv2 as cv2

# 实例化对象
fast = cv2.FastFeatureDetector_create(threshold=10, nonmaxSuppression=True)  # 实例化一个对象
"""
	:threshold: 阈值，默认为10
	:nonmaxSuppression: 是否进行非极大值抑制，默认为True
	:return 返回创建的对象
"""
# 进行关键点检测
kp = fast.detect(img1)  # 可以用传入彩色图像，返回关键点信息
# fast.setNonmaxSuppression(False)  # 取消非极大值抑制
cv2.drawKeypoints(img1, kp, img2)  # 进行角点的绘制
cv2.imshow("a", img2)  # 展示图片
cv2.waitKey(0)  # 绘制图片
cv2.destroyAllWindows()

6、 ORB算法

6.1 原理

ORB算法是FAST算法和BRIEF算法的结合，ORB可以用来对图像中的关键点快速创建特征向量，并用这些特征向量来识别图像中的对象。即，提出了构造金字塔，为Fast特征点添加了方向，从而使得关键点具有了尺度不变性。

具体实现原理较为复杂，请到百度自行搜索

6.2 实现

import cv2.cv2 as cv2

# 创建ORB对象
orb = cv2.ORB_create(nfeatures)  # 实例化ORB对象
"""
	:nfeatrues: 最大特征数量
"""
# 进行关键点检测
kp, des = orb.detectAndCompute(gray)
"""
    :gray: 进行关键点检测的图像，注意是灰度图像
    :return: 
        :kp: 关键点信息
        :des: 关键点描述符，每个关键点BRIEF特征向量，二进制字符串
"""
# 将关键点检测结果绘制在图像上
cv2.drawKeypoints(img1, kp, img2)
cv2.imshow("a", img2)  # 展示图片
cv2.waitKey(0)  # 绘制图片
cv2.destroyAllWindows()

本文来自博客园，作者：A-L-Kun，转载请注明原文链接：https://www.cnblogs.com/liuzhongkun/p/16646481.html

Python中OpenCV库（二）

OpenCV库（二）

五、 图像直方图

1、 基本概念

2、 统计函数

3、绘制直方图

3.1 matplotlib

3.2 OpenCV

4、 使用掩膜的直方图

六、 视频采集

1、 打开视频

2、 读取数据

3、 视频属性

4、 视频录制

5、 控制鼠标

七、 特征检测

1、 基本概念

2、 Harris角点检测

3、 SIFT 关键点检测

4、 Shi-Tomasi角点检测

5、 Fast算法

5.1 原理

5.2 机器学习的角点检测器

5.3 非极大值抑制

5.4 实现

6、 ORB算法

6.1 原理

6.2 实现

五、图像直方图

1、基本概念

2、统计函数

4、使用掩膜的直方图

六、视频采集

1、打开视频

2、读取数据

3、视频属性

4、视频录制

5、控制鼠标

七、特征检测

1、基本概念