OpenCV：從用戶定義的關鍵點中提取SURF功能

Question

我想從指定的關鍵點計算SURF功能。 我正在使用OpenCV的Python包裝器。 以下是我嘗試使用的代碼，但是在任何地方都找不到有效的示例。

surf = cv2.SURF()
keypoints, descriptors = surf.detect(np.asarray(image[:,:]),None,useProvidedKeypoints = True)

如何指定此功能要使用的關鍵點？

相似的，未解決的問題： useProvidedKeypoints = true時cvExtractSURF不起作用

文獻資料

Answer 1

如果我正確理解了Python綁定的源代碼，則在Python綁定中永遠不會使用C ++接口中存在的“ keypoints”參數。 因此，我警告您無法對當前綁定執行您要嘗試的操作。 一種可能的解決方案是編寫您自己的綁定。 我知道這不是你希望的答案...

Answer 2

嘗試為此使用cv2.DescriptorMatcher_create。

例如，在下面的代碼中，我正在使用pylab，但是您可以獲得消息;）

它使用GFTT計算關鍵點，然后使用SURF描述符和蠻力匹配。 每個代碼部分的輸出顯示為標題。

---

%pylab inline
import cv2
import numpy as np

img = cv2.imread('./img/nail.jpg')
gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
imshow(gray,  cmap=cm.gray)

輸出是這樣的http://i.stack.imgur.com/8eOTe.png

（對於本示例，我將作弊並使用相同的圖像來獲取關鍵點和描述符）。

img1 = gray
img2 = gray
detector = cv2.FeatureDetector_create("GFTT")
descriptor = cv2.DescriptorExtractor_create("SURF")
matcher = pt1=(int(k1[m.queryIdx].pt[0]),int(k1[m.queryIdx].pt[1]))("FlannBased")

# detect keypoints
kp1 = detector.detect(img1)
kp2 = detector.detect(img2)

print '#keypoints in image1: %d, image2: %d' % (len(kp1), len(kp2))

image1：1000，image2：1000中的關鍵點

# descriptors
k1, d1 = descriptor.compute(img1, kp1)
k2, d2 = descriptor.compute(img2, kp2)

print '#Descriptors size in image1: %s, image2: %s' % ((d1.shape), (d2.shape))

image1中的描述符大小：（1000，64），image2：（1000，64）

# match the keypoints
matches = matcher.match(d1,d2)

# visualize the matches
print '#matches:', len(matches)
dist = [m.distance for m in matches]

print 'distance: min: %.3f' % min(dist)
print 'distance: mean: %.3f' % (sum(dist) / len(dist))
print 'distance: max: %.3f' % max(dist)

匹配：1000

距離：最小：0.000

距離：平均值：0.000

距離：最大：0.000

# threshold: half the mean
thres_dist = (sum(dist) / len(dist)) * 0.5 + 0.5

# keep only the reasonable matches
sel_matches = [m for m in matches if m.distance < thres_dist]

print '#selected matches:', len(sel_matches)

選定的匹配項：1000

#Plot
h1, w1 = img1.shape[:2]
h2, w2 = img2.shape[:2]
view = zeros((max(h1, h2), w1 + w2, 3), uint8)
view[:h1, :w1, 0] = img1
view[:h2, w1:, 0] = img2
view[:, :, 1] = view[:, :, 0]
view[:, :, 2] = view[:, :, 0]

for m in sel_matches:
    # draw the keypoints
    # print m.queryIdx, m.trainIdx, m.distance
    color = tuple([random.randint(0, 255) for _ in xrange(3)])
    pt1=(int(k1[m.queryIdx].pt[0]),int(k1[m.queryIdx].pt[1]))
    pt2=(int(k2[m.queryIdx].pt[0]+w1),int(k2[m.queryIdx].pt[1]))
    cv2.line(view,pt1,pt2,color)

輸出是這樣的http://i.stack.imgur.com/8CqrJ.png

Answer 3

如何使用上述Mahotas完成此操作的Mahotas ：

import mahotas
from mahotas.features import surf
import numpy as np


def process_image(imagename):
    '''Process an image and returns descriptors and keypoints location'''
    # Load the images
    f = mahotas.imread(imagename, as_grey=True)
    f = f.astype(np.uint8)

    spoints = surf.dense(f, spacing=12, include_interest_point=True)
    # spoints includes both the detection information (such as the position
    # and the scale) as well as the descriptor (i.e., what the area around
    # the point looks like). We only want to use the descriptor for
    # clustering. The descriptor starts at position 5:
    desc = spoints[:, 5:]
    kp = spoints[:, :2]

    return kp, desc