Fast算法
Flast角点的定义是如果像素与其领域内足够多的像素不同，那么该像素可能为角点。显然Fast角点要求比Harris角点要低。Fast角点检测的优点就是速度快。其实就是确定一个点，对周围的16个点进行比对，如果其中n（一般为12）个连续的点像素都与该点不同，则为角点。很好理解，直接上代码。
函数是cv2.FastFeatureDetector_create()函数，此函数可选参数为threshold(角点检测阈值)、nonmaxSuppression(是否使用非极大值抑制) ，type（检测类型），有cv2.FAST_FEATURE_DETECTOR_TYPE_5_8、cv2.FAST_FEATURE_DETECTOR_TYPE_7_12,
cv2.FAST_FEATURE_DETECTOR_TYPE_9_16.
import cv2 import numpy as np #读取图片 img=cv2.imread('F:\Image\\test7.jpg') #设置窗口 cv2.namedWindow('win',cv2.WINDOW_AUTOSIZE) #fast角点检测 fast=cv2.FastFeatureDetector_create() #检测到的角点保存为points points=fast.detect(img) #绘制特征图 img=cv2.drawKeypoints(img,points,img,color=(255,0,0)) #显示结果 cv2.imshow('fast角点检测',img) cv2.waitKey(0)
结果是夸张了点，不过是可以选择参数来进行控制，下面一幅图就是我选择fast=cv2.FastFeatureDetector_create(type=cv2.FastFeatureDetector_TYPE_5_8)进行识别的，结果就好很多。
斑点
斑点和我们传统意义上的斑点的理解很相似，即存在边界包围的部分。斑点同样对噪声很敏感，需要先进行高斯滤波。同样需要寻找一阶导数的极值点（或者说二阶导数的零点），这里用到拉普拉斯梯度：
同样，高斯函数的标准差对斑点检测有影响，较小的标准差可以识别出更加详细的边缘细节。
在OpenCV中，函数cv2.SimpleBlobDetector_create(),此函数的可选参数为minThreshold(检测最小阈值)、maxThreshold（检测最大阈值）、filterByColor（是否通过颜色滤波 ）、filterByArea（是否通过面积滤波）、filterByCirculity（是否通过圆度滤波）、filterByConvexity（是否通过凸度滤波）、filterByInertia（是否通过惯性滤波）等。
import cv2 import numpy as np #读取图片 img=cv2.imread('F:\Image\\test5.jpeg') #创建检测器 detector=cv2.SimpleBlobDetector_create() #斑点检测,将检测到的斑点放入bolbs中 blobs=detector.detect(img) #绘制特征图 img=cv2.drawKeypoints(img,blobs,img,color=(0,0,255),flags=cv2.DrawMatchesFlags_DRAW_RICH_KEYPOINTS) cv2.imshow('斑点检测',img) cv2.waitKey(0)
图片中红色圆圈标注的就是识别到的斑点，检测效果也是比较好的。
局部特征
局部特征也叫特征描述子，其需要满足：对于大小，方向，明暗不同的图像，同一物体的特征描述子应该相似或相同。其特点就是可重复性和显著性。局部特征点常用于图片拼接，目标跟踪和3D重建。所有据局部特征算法都需要注意的问题是旋转不变、仿射不变、光照不变和抵抗噪声。
SIFT算法
尺度不变特征算法（SIFT）由Lowe在2004年提出，同样利用高斯卷积来建立尺度空间，并在高斯差分布空间金字塔上获得拥有尺度不变性的特征描述子。该算法具有仿射不变性、视角不变性、旋转不变性和光照不变性，所以在图像特征提取领域得到了最广泛的应用。优点是信息量丰富和多量性，缺点是速度和还不够快。
①.构建一个线性金字塔结构，让我们可以在连续的高斯核尺度上查找特征点。它比直接用拉普拉斯核的优势在于，他用一阶高斯差分（Dog算子）来近似拉普拉斯算子（Log算子），也就是用差分代替微分，大大减少了运算量。
②.其次，进行极值点的插值。
③.删除边缘效应的点，高斯差分的值会受到边缘的影响，所以边缘上的点，即使不是斑点，tadeDog响应也很强。
④.最后，作出特征描述子的特征描述。
在OpenCV中使用SIFT算法，cv2.xfeatures2d.SIFT_create()即可。
import cv2 import numpy as np #读取图片 img=cv2.imread('F:\Image\\test5.jpeg') #创建检测器 sift=cv2.SIFT_create() points=sift.detect(img,None) #绘制特征图 img=cv2.drawKeypoints(img,points,img,color=(255,0,255)) cv2.imshow('sift检测',img) cv2.waitKey(0)
SURF算法
2006年，Bay和Ess改进了SIFT算法，提出了加速鲁棒特征（SURF），该算法主要优化计算速度，其使用了Hessian行列式的特征检测方法，通过在不同的尺度下的特征图上有效的计算出近似Harrr小波值，简化了二阶微分的计算，从而提高了特征检测算法的效率。
与SIFT算法统计直方图不同，SURF特征点的描述则是利用了积分图，用两个方向上的Harr小波来计算梯度，然后用一个扇形对领域点内的梯度方向进行统计。
函数使用：cv2.SURF_create().
上代码：
import cv2 import numpy as np #读取图片 img=cv2.imread('F:\Image\\test5.jpeg') #创建检测器 sift=cv2.SURF_create() points=sift.detect(img,None) #绘制特征图 img=cv2.drawKeypoints(img,points,img,color=(255,0,255)) cv2.imshow('sift检测',img) cv2.waitKey(0) 但是这个代码的环境必须是低版本的opencv，否则没法使用。
项目实战——图像匹配
学习了新的算法，必须去项目上实战一下：
我们需要使用cv2.FlannBaseMatcher()函数，由于博主使用的OpenCV版本比较高，是用不了SURF算法，所以，博主这里就使用SIFT算法，如果你们有低版本的opencv，那就用SURF算法，SURF算法的运算速度是SIFT的3倍，综合性能也比较好。
#基于快速邻近搜索报的SIFT特征描述子匹配算法 import numpy as np import cv2 #读取图片 img=img=cv2.imread('F:\Image\\test6.jpeg') #仿射变换矩阵 M=np.array([[0,0.5,-10],[0.5,0,0]]) #旋转缩放图片 img1=cv2.warpAffine(img,M,(750,750)) #改变图片色调，对比度 hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV) #改变色调 hsv[:,:,0]=(hsv[:,:,0]+10)%180 #改变饱和度 hsv[:,:,1]=(hsv[:,:,1]+10)%255 #改变明暗度 hsv[:,:,2]=(hsv[:,:,2]+10)%255 #转换为BGR格式 img1=cv2.cvtColor(hsv,cv2.COLOR_HSV2BGR) #创建检测器 surf=cv2.SURF_create() #创建搜索器 index_params=dict(algorithm=0,trees=5) search_params=dict(checks=50) flann=cv2.FlannBasedMatcher(index_params,search_params) #特征描述子检测 kp,des=surf.detect(img,None) kp1,des1=surf.detect(img1,None) #特征匹配 matches=flann.knnMatch(des1,des,k=2) #绘制相似特征 good=[] for m,n in matches: if m.distance<0.7*n.distance: good.append([m]) img2=cv2.drawMatchesKnn(img1,kp1,img,kp,good,None,flags=2) #显示图片 cv2.imshow('图片调整',img1) cv2.waitKey(0)
博主的opencv版本有问题，运行不了该程序，所以就不展示结果图了。理解含义就可以了。好了，本节内容就到此结束了。拜了个拜了！
