OpenCV(四十五):ORB特征点

简介: OpenCV(四十五):ORB特征点

1.特征点的组成

特征点由关键点描述子两部分组成:

  • 关键点是在图像中检测到的具有显著变化的位置坐标。
  • 描述子是用于表示关键点周围局部区域特征的向量或特征向量。

2.ORB特征点原理

ORB特征点由关键点FAST角点 和描述子BRIEF组成。

2.1提取FAST角点的算法

     FAST算法的思想:通过比较像素相对于中心像素有较大差别(过亮、过暗)时,则快速地检测出角点。步骤如下:

  • 选择某个像素点作为中心点P,其像素值为I
  • 设置判定FAST角点的像素闻值,例如 =20%*1
  • 比较中心点的像素值与半径为3的圆周上所有像素的像素值进行比较,如果存在连续N个像素的像素值大于 或者小于 ,则像素点p为角点。
  • 遍历图像中每个像素点,重复上述步骤
2.2方向分配:

      为每个检测到的角点分配一个主方向。为了实现旋转不变性,采用灰度质心算法(Intensity Centroid)进行实现。对特征点附近的图像灰度质心进行计算,所谓质心是指图像块灰度值作为权值的中心,计算方式如下:

2.3生成BRIEF描述子的算法

      BRIEF描述子生成算法的思想:是通过比较两个像素点对之间的灰度差异,并将比较结果编码为二进制字符串。具体描述BRIEF描述子的步骤如下:

  • 选择一组固定的采样点对
  • 计算采样点对的像素差值
  • 对于每对采样点的像素差值,将其与阈值进行比较,得到一个二进制的比较结果。通常,如果第一个像素的灰度值大于第二个像素的灰度值,就将对应位置的二进制位设为1;否则,置为0。
  • 将所有的二进制比较结果组合成一个二进制字符串,作为BRIEF描述子。
2.4描述子匹配

       对于图像中的两个特征点,使用描述子之间的距离或相似度度量进行匹配。最常见的方法是计算描述子之间的汉明距离(Hamming Distance)或欧氏距离,并根据预设的阈值来判断是否匹配成功。也可以使用快速匹配算法(如KD树或近似最近邻算法)来加速匹配过程。

3.ORB特征点提取函数 create()

static Ptr<ORB> cV::ORB::create ( int   nfeatures = 500,

float    scaleFactor = 1.2f,

int          nlevels = 8,

int          edgeThreshold = 31,

int           firstLevel = 0,

int          WTA K = 2,

ORB::ScoreType  scoreType = ORB: :HARRIS_SCORE,

int         patchSize = 31,

int         fastThreshold = 20

)

  • nfeatures:检测ORB特征点的数目
  • scaleFactor:金字塔尺寸缩小的比例
  • nlevels:金字塔层数
  • edgeThreshold:边缘阙值
  • firstLevel:将原图像放入金字塔中的等级
  • WTA K:生成每位描述子时需要用的像素点数目
  • scoreType:检测关键点时关键点评价方法
  • patchSize:生成描述子时关键点周围邻域的尺寸
  • fastThreshold:计算FAST角点时像素值差值的阅值

4.示例代码

void ORB_f(Mat mat){
    //创建ORB特征点类变量
    Ptr<ORB> orb=ORB::create(500,//特征点数目
                             1.2f,//金字塔层级之间的缩放比例
                             8,//金字塔图像层级系数
                             31,//边缘阈值
                             0,//原图在金字塔中的层数
                             2,//生成描述子时需要用的像素点数目
                             ORB::HARRIS_SCORE,//使用Harris方法评价特征点
                             31,//生成描述子时关键点周围邻域的尺寸
                             20//计算FAST角点时像素值差值的阈值
            );
    //计算ORB关键点
    vector<KeyPoint> Keypoints;
    orb->detect(mat,Keypoints);//确定关键点
    //计算ORB描述子
    Mat descriptions;
    orb->compute(mat,Keypoints,descriptions);//计算描述子
    //绘制特征点
    Mat mat2;
    mat.copyTo(mat2);
    //绘制不含角度和大小的结果
    drawKeypoints(mat,Keypoints,mat,Scalar(255,255,255,255));
    //绘制不含角度和大小的结果
    drawKeypoints(mat,Keypoints,mat2,Scalar(255,255,255,255),DrawMatchesFlags::DRAW_RICH_KEYPOINTS);
    //显示结果
    imwrite("/sdcard/DCIM/mat.png",mat);
    imwrite("/sdcard/DCIM/mat2.png",mat2);
}

显示结果:

     (绘制不含角度和大小的结果)                           (绘制含角度和大小的结果)

目录
相关文章
|
6天前
|
算法 计算机视觉 索引
OpenCV(四十六):特征点匹配
OpenCV(四十六):特征点匹配
45 0
|
6天前
|
存储 资源调度 算法
Opencv(C++)系列学习---SIFT、SURF、ORB算子特征检测
Opencv(C++)系列学习---SIFT、SURF、ORB算子特征检测
|
6天前
|
存储 计算机视觉 C++
Opencv(C++)学习系列---特征点检测和匹配
Opencv(C++)学习系列---特征点检测和匹配
108 0
|
6天前
|
算法 计算机视觉
OpenCV(四十七):RANSAC优化特征点匹配
OpenCV(四十七):RANSAC优化特征点匹配
169 0
|
6天前
|
算法 计算机视觉
OpenCV中使用加速鲁棒特征检测SURF与图像降噪讲解与实战(附源码)
OpenCV中使用加速鲁棒特征检测SURF与图像降噪讲解与实战(附源码)
41 0
|
6天前
|
算法 数据挖掘 计算机视觉
OpenCV中应用尺度不变特征变换SIFT算法讲解及实战(附源码)
OpenCV中应用尺度不变特征变换SIFT算法讲解及实战(附源码)
36 0
|
6天前
|
算法 计算机视觉
OpenCV(图像处理)-基于Python-特征检测-特征点匹配
1.图像特征 图像特征就是指有意义的图像区域,具有独特性,易于识别性,比如角点、斑点以及高密度区。而为什么角点具有重要的特征呢? 看下图:
178 0
|
4天前
|
算法 计算机视觉
OpenCV高斯差分技术实现图像边缘检测
OpenCV高斯差分技术实现图像边缘检测
|
6天前
|
计算机视觉
OpenCV图像运动模糊
OpenCV图像运动模糊
9 0
|
6天前
|
计算机视觉
OpenCV图像阈值
OpenCV图像阈值
5 0