opencv 提取单通道 ，转化灰度图像。

Posted 2023-04-27

IplImage* dst = cvCreateImage(cvGetSize(p),p->depth,1);
cvCvtColor(p,dst,CV_RGB2GRAY);
老师让将绿色通道的提取出来 转化成灰度图像，也就是只用一个颜色通道转换成灰度图像，上面的语句 我转换成了灰度图 但是 ，不知道是不是有绿色通道装换过去的 ，通道 数1，应该是绿色通道的吧。

参考技术A IplImage* p = cvLoadImage("E:\\1.jpg");
IplImage* dst = cvCreateImage(cvGetSize(p),p->depth,1);
for(int i=0;i<p.width;i++)

for(int j=0;j<p.height;j++)

(uchar*)(dst->imageData+j*p->widthStep)[i] = (uchar*)(dst->imageData+j*p->widthStep)[i*3+1];

本回答被提问者采纳

Python OpenCV9：OpenCV 图像特征提取

1. Harris 角点检测

Harris 角点检测通过图像的一个小部分窗口观察图像。角点的特点是窗口向任意方向移动都会引起图像灰度的显著变化。

将上述思想转化为数学形式，即将局部窗口向各个方向移动(u,v)，计算所有灰度差的总和。

其中 I(x,y) 是局部窗口的图像灰度， I(x+u,y+v) 为平移后的图像灰度，w(x,y) 是窗口函数。窗口可以是矩形窗口，也可以是为每个像素分配不同权重的高斯窗口，如下图： 

在角点检测中，E(u,v) 的值被最大化。 使用一阶泰勒展开式：

其中 Ix 和 Iy 沿着 x 和 y 方向的导数可以用sobel算子计算。 推导如下： 

 

M 矩阵确定 E(u,v) 的值。 下面我们使用 M 来寻找角点。 M 是 Ix 和 Iy 的二次项函数，可以用椭圆来表示。 椭圆的长短半轴由M的特征值λ1​​和λ2​​决定，方向由特征向量决定，如下图：

Harris 给出的角点计算方法不需要计算具体的特征值，而是计算一个角点响应值R来判断角点。 R的计算公式为：

其中detM是矩阵M的行列式，traceM 是矩阵 M 的迹，α为常数，取值范围为0.04~0.06。

由于：

特征值隐含在detM和traceM中。

如下图所示：

当R为正数且取值较大时为角点；当 R 为负数且绝对值较大时为边界；当 R 是较小的数时为平坦区域。

cv.cornerHarris(src, blockSize, ksize, k)

参数：

img 输入图像，数据类型为 float32。

blockSize 角点检测中要考虑的邻域大小

ksize sobel求导使用的核大小

k 角点检测方程中的自由参数，取值参数为 [0.04，0.06]。

Harris 角点检测的优点：

旋转不变性，椭圆旋转一定角度但形状保持不变，特征值保持不变。 图像灰度级的仿射变化是部分不变的。 因为只使用了图像的一阶导数，所以图像灰度平移变化不变，图像灰度尺度变化不变。

Harris 角点检测的缺点： 它对尺度非常敏感，不具有几何尺度不变性。提取的角点是像素级的。

2. Shi-Tomasi算法

Shi-Tomasi算法是Harris角点检测算法的改进。Harris 算法的角点响应函数是从矩阵 M 的行列式值 中减去 M 的迹，利用差值来判断是否为角点。 后来Shi和Tomasi提出了一种改进方法，如果矩阵M的两个特征值中较小的一个大于阈值，则认为是角点，即R=min(λ​1​​,λ​2​​)。如下图所示：

可以看出，只有当λ1和λ2均大于最小值时，才认为是角点。 

cv.goodFeaturesToTrack(image, maxcorners, qualityLevel, minDistance)

参数：

image 输入灰度图像

maxcorners 获取角点数的数目

qualityLevel 该参数指出最低可接受的角点质量水平，在0-1之间。

minDistance 角点之间最小的欧氏距离，避免得到相邻特征点。

返回值：

搜索到的角点。

3. SIFT 算法

SIFT 算法的本质是在不同尺度空间中寻找关键点（特征点）并计算关键点的方向。 SIFT查找到的关键点是一些非常突出的点，不会因为光照、仿射变换和噪声等因素而改变，比如角点、边缘点、暗区的亮点、亮区的暗点。

SIFT算法可以分解为以下四个步骤：

1）尺度空间极值检测：在所有尺度上搜索图像位置。通过高斯差分函数识别对尺度和旋转不变的潜在关键点。

2）关键点定位：在每个候选位置，使用一个精细拟合的模型来确定位置和尺度。关键点的选择取决于它们的稳定性程度。

3）关键点方向确定：根据图像的局部梯度方向，为每个关键点位置分配一个或多个方向。所有后续对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而保证了这些变换的不变性。

4）关键点描述：在每个关键点周围的邻域内，在选定的尺度上测量图像的局部梯度。这些梯度用作关键点描述符，允许相对较大的局部形状变形或光照变化。

cv.xfeatures2d.SIFT_create()

返回值：SIFT对象

sift.detectAndCompute(gray)

参数：

gray 进行关键点检测的灰度图像

返回值：

kp 关键点信息，包括位置，尺度，方向信息。

des 关键点描述符，每个关键点对应128个梯度信息的特征向量。 

cv.drawKeypoints(image, keypoints, outputimage, color, flags)

参数：

image 原始图像

keypoints 关键点信息，将其绘制在图像上。

outputimage 输出图片，可以是原始图像。

color 颜色设置，通过修改（b, g, r）的值,更改画笔的颜色。

flags 绘图功能的标识设置：

cv.DRAW_MATCHES_FLAGS_DEFAULT 创建输出图像矩阵，使用现存的输出图像绘制匹配对和特征点，对每一个关键点只绘制中间点 。   

cv.DRAW_MATCHES_FLAGS_DRAW_OVER_OUTIMG 不创建输出图像矩阵，而是在输出图像上绘制匹配对。

cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS 对每一个特征点绘制带大小和方向的关键点图形。

cv.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS 单点的特征点不被绘制。

例：对下面的图像使用Harris、Shi-Tomas和SIFT方法检测角点。

import matplotlib
import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np

font = {
    "family": "Microsoft YaHei"
}
matplotlib.rc("font", **font)

img = cv.imread("./image/tv.jpg")

gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
gray_32 = np.float32(gray)

# Harris
dst = cv.cornerHarris(gray_32, 2, 3, 0.04)

# 绘制角点
img[dst > 0.001 * dst.max()] = [0, 0, 255]

plt.imshow(img[:, :, ::-1])
plt.title("Harris角点检测")
plt.show()

# Shi-Thomas
corners = cv.goodFeaturesToTrack(gray, 1000, 0.01, 10)

# 绘制角点
for i in corners:
    x, y = i.ravel()
    cv.circle(img, (x, y), 2, (0, 0, 255), -1)

plt.imshow(img[:, :, ::-1])
plt.title("Shi-Thomas角点检测")
plt.show()

# SIFT
sift = cv.xfeatures2d.SIFT_create()
kp, des = sift.detectAndCompute(gray, None)

# 绘制角点
cv.drawKeypoints(img, kp, img, flags=cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

plt.imshow(img[:, :, ::-1])
plt.title("SIFT角点检测")
plt.show()

输出：