python—sift特征提取
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python—sift特征提取相关的知识,希望对你有一定的参考价值。
一、SIFT提出的目的和意义
二、SIFT的特征简介
三、SIFT算法实现步骤简述
四、图像集
五、匹配地理标记图像
六、SIFT算法代码实现
- 代码
- 结果截图
- 小结
七、SIFT实验总结
八、实验遇到的问题
一、SIFT提出的目的和意义
1999年David G.Lowe教授总结了基于特征不变技术的检测方法,在图像尺度空间基础上,提出了对图像缩放、旋转保持不变性的图像局部特征描述算子-SIFT(尺度不变特征变换),该算法在2004年被加以完善。
- 目标的旋转、缩放、平移(RST)
- 图像仿射/投影变换(视点viewpoint)
- 弱光照影响(illumination)
- 部分目标遮挡(occlusion)
- 杂物场景(clutter)
- 噪声
操作步骤:
1.把vlfeat文件夹下win64中的sift.exe和vl.dll这两个文件复制到项目的文件夹中
2.修改PCV文件夹内的(我的PCV位置为D:\\Anaconda2\\Lib\\site-packages\\PCV))文件夹里面的localdescriptors文件夹中的sift.py文件,用记事本打开,修改其中的cmmd内的路径cmmd=str(r"D:\\new\\sift.exe“+imagename+” --output="+resultname+" "+params) (路径是你项目文件夹中的sift.exe的路径)一定要在括号里加上r。
图2
五、匹配地理标记图像
1、做此实验我们需用pydot工具包中的GraphViz,可以点击https://graphviz.gitlab.io/_pages/Download/Download_windows.html下载安装包,安装步骤如下:
配置环境: 保存graphviz安装时,一定要记住保存路径,方便找到你的安装包安装中的gvedit.exe的位置,我的是C:\\Program Files (x86)\\Graphviz2.38\\bin
把gvedit.exe发送到桌面快捷方式,然后去系统里点击高级系统设置->点击环境变量->点击系统变量的path选择编辑->输入C:\\Program Files (x86)\\Graphviz2.38\\bin,之后就确定保存。
接下来是验证环境配置是否成功,输入dot -version命令,成功如下:
然后依次执行以下命令:
pip install graphviz
pip install pydot
成功如下:
d
2、实验代码:
1 # -*- coding: utf-8 -*- 2 from pylab import * 3 from PIL import Image 4 from PCV.localdescriptors import sift 5 from PCV.tools import imtools 6 import pydot 7 8 """ This is the example graph illustration of matching images from Figure 2-10. 9 To download the images, see ch2_download_panoramio.py.""" 10 11 #download_path = "panoimages" # set this to the path where you downloaded the panoramio images 12 #path = "/FULLPATH/panoimages/" # path to save thumbnails (pydot needs the full system path) 13 14 #download_path = "F:\\\\dropbox\\\\Dropbox\\\\translation\\\\pcv-notebook\\\\data\\\\panoimages" # set this to the path where you downloaded the panoramio images 15 #path = "F:\\\\dropbox\\\\Dropbox\\\\translation\\\\pcv-notebook\\\\data\\\\panoimages\\\\" # path to save thumbnails (pydot needs the full system path) 16 download_path = "D:/new" 17 path = "D:/new" 18 # list of downloaded filenames 19 imlist = imtools.get_imlist(download_path) 20 nbr_images = len(imlist) 21 22 # extract features 23 featlist = [imname[:-3] + \'sift\' for imname in imlist] 24 for i, imname in enumerate(imlist): 25 sift.process_image(imname, featlist[i]) 26 27 matchscores = zeros((nbr_images, nbr_images)) 28 29 for i in range(nbr_images): 30 for j in range(i, nbr_images): # only compute upper triangle 31 print \'comparing \', imlist[i], imlist[j] 32 l1, d1 = sift.read_features_from_file(featlist[i]) 33 l2, d2 = sift.read_features_from_file(featlist[j]) 34 matches = sift.match_twosided(d1, d2) 35 nbr_matches = sum(matches > 0) 36 print \'number of matches = \', nbr_matches 37 matchscores[i, j] = nbr_matches 38 print "The match scores is: %d", matchscores 39 40 #np.savetxt(("../data/panoimages/panoramio_matches.txt",matchscores) 41 42 # copy values 43 for i in range(nbr_images): 44 for j in range(i + 1, nbr_images): # no need to copy diagonal 45 matchscores[j, i] = matchscores[i, j] 46 47 threshold = 2 # min number of matches needed to create link 48 49 g = pydot.Dot(graph_type=\'graph\') # don\'t want the default directed graph 50 51 for i in range(nbr_images): 52 for j in range(i + 1, nbr_images): 53 if matchscores[i, j] > threshold: 54 # first image in pair 55 im = Image.open(imlist[i]) 56 im.thumbnail((100, 100)) 57 filename = path + str(i) + \'.png\' 58 im.save(filename) # need temporary files of the right size 59 g.add_node(pydot.Node(str(i), fontcolor=\'transparent\', shape=\'rectangle\', image=filename)) 60 61 # second image in pair 62 im = Image.open(imlist[j]) 63 im.thumbnail((100, 100)) 64 filename = path + str(j) + \'.png\' 65 im.save(filename) # need temporary files of the right size 66 g.add_node(pydot.Node(str(j), fontcolor=\'transparent\', shape=\'rectangle\', image=filename)) 67 68 g.add_edge(pydot.Edge(str(i), str(j))) 69 g.write_png(\'protect2.png\')
3、结果截图:
实验小结:图像集一共有十九张图片,运行出来只有十七张图片,我拍摄的照片范围过小,只选择了六个地点拍摄,没有显示出来的两张图片是跟以上图片没有太多相似的特征点的。显示出来的第一个连线的部分,是在同一个位置拍摄,只是从不同的角度,但是提取出来的特征点匹配度很高,说明了sift算法角度不变性,还有色彩影响不是很大,并且只要有一点特征点匹配度的图片就会相连起来,第二部分和第三部分依然如此。
代码:
1 # -*- coding: utf-8 -*- 2 from PIL import Image 3 from pylab import * 4 from PCV.localdescriptors import sift 5 from PCV.localdescriptors import harris 6 7 # 添加中文字体支持 8 from matplotlib.font_manager import FontProperties 9 font = FontProperties(fname=r"c:\\windows\\fonts\\SimSun.ttc", size=14) 10 11 imname = \'siftt/24.jpg\' 12 im = array(Image.open(imname).convert(\'L\')) 13 sift.process_image(imname, \'24.sift\') 14 l1, d1 = sift.read_features_from_file(\'24.sift\') 15 16 figure() 17 gray() 18 subplot(131) 19 sift.plot_features(im, l1, circle=False) 20 title(u\'SIFT特征\',fontproperties=font) 21 subplot(132) 22 sift.plot_features(im, l1, circle=True) 23 title(u\'用圆圈表示SIFT特征尺度\',fontproperties=font) 24 25 # 检测harris角点 26 harrisim = harris.compute_harris_response(im) 27 28 subplot(133) 29 filtered_coords = harris.get_harris_points(harrisim, 6, 0.1) 30 imshow(im) 31 plot([p[1] for p in filtered_coords], [p[0] for p in filtered_coords], \'*\') 32 axis(\'off\') 33 title(u\'Harris角点\',fontproperties=font) 34 35 show()
原图
运行结果:
小结:由图看出,sift算法检测出来的特征点比harris角点算法检测出的角点多。sift算法测出来的特征点大多数都是重合的。
2、图像集里的所有图像的sift特征提取
代码:
1 # -*- coding: utf-8 -*- 2 from PIL import Image 3 from pylab import * 4 from PCV.localdescriptors import sift 5 from PCV.localdescriptors import harris 6 from PCV.tools.imtools import get_imlist # 导入原书的PCV模块 7 8 # 添加中文字体支持 9 from matplotlib.font_manager import FontProperties 10 font = FontProperties(fname=r"c:\\windows\\fonts\\SimSun.ttc", size=14) 11 12 # 获取project2_data文件夹下的图片文件名(包括后缀名) 13 filelist = get_imlist(\'siftt/\') 14 15 for infile in filelist: # 对文件夹下的每张图片进行如下操作 16 print(infile) # 输出文件名 17 18 im = array(Image.open(infile).convert(\'L\')) 19 sift.process_image(infile, \'infile.sift\') 20 l1, d1 = sift.read_features_from_file(\'infile.sift\') 21 i=1 22 23 figure(i) 24 i=i+1 25 gray() 26 27 subplot(131) 28 sift.plot_features(im, l1, circle=False) 29 title(u\'SIFT特征\',fontproperties=font) 30 31 subplot(132) 32 sift.plot_features(im, l1, circle=True) 33 title(u\'用圆圈表示SIFT特征尺度\',fontproperties=font) 34 35 # 检测harris角点 36 harrisim = harris.compute_harris_response(im) 37 38 subplot(133) 39 filtered_coords = harris.get_harris_points(harrisim, 6, 0.1) 40 imshow(im) 41 plot([p[1] for p in filtered_coords], [p[0] for p in filtered_coords], \'*\') 42 axis(\'off\') 43 title(u\'Harris角点\',fontproperties=font) 44 45 show()
结果截图:
3、两张图片,计算sift特征匹配结果
代码:
1 # -*- coding: utf-8 -*- 2 from PIL import Image 3 from pylab import * 4 from numpy import * 5 import os 6 7 def process_image(imagename, resultname, params="--edge-thresh 10 --peak-thresh 5"): 8 """ 处理一幅图像,然后将结果保存在文件中""" 9 if imagename[-3:] != \'pgm\': 10 #创建一个pgm文件 11 im = Image.open(imagename).convert(\'L\') 12 im.save(\'tmp.pgm\') 13 imagename =\'tmp.pgm\' 14 cmmd = str("sift "+imagename+" --output="+resultname+" "+params) 15 os.system(cmmd) 16 print \'processed\', imagename, \'to\', resultname 17 18 def read_features_from_file(filename): 19 """读取特征属性值,然后将其以矩阵的形式返回""" 20 f = loadtxt(filename) 21 return f[:,:4], f[:,4:] #特征位置,描述子 22 23 def write_featrues_to_file(filename, locs, desc): 24 """将特征位置和描述子保存到文件中""" 25 savetxt(filename, hstack((locs,desc))) 26 27 def plot_features(im, locs, circle=False): 28 """显示带有特征的图像 29 输入:im(数组图像),locs(每个特征的行、列、尺度和朝向)""" 30 31 def draw_circle(c,r): 32 t = arange(0,1.01,.01)*2*pi 33 x = r*cos(t) + c[0] 34 y = r*sin(t) + c[1] 35 plot(x, y, \'b\', linewidth=2) 36 37 imshow(im) 38 if circle: 39 for p in locs: 40 draw_circle(p[:2], p[2]) 41 else: 42 plot(locs[:,0], locs[:,1], \'ob\') 43 axis(\'off\') 44 45 def match(desc1, desc2): 46 """对于第一幅图像中的每个描述子,选取其在第二幅图像中的匹配 47 输入:desc1(第一幅图像中的描述子),desc2(第二幅图像中的描述子)""" 48 desc1 = array([d/linalg.norm(d) for d in desc1]) 49 desc2 = array([d/linalg.norm(d) for d in desc2]) 50 dist_ratio = 0.6 51 desc1_size = desc1.shape 52 matchscores = zeros((desc1_size[0],1),\'int\') 53 desc2t = desc2.T #预先计算矩阵转置 54 for i in range(desc1_size[0]): 55 dotprods = dot(desc1[i,:],desc2t) #向量点乘 56 dotprods = 0.9999*dotprods 57 # 反余弦和反排序,返回第二幅图像中特征的索引 58 indx = argsort(arccos(dotprods)) 59 #检查最近邻的角度是否小于dist_ratio乘以第二近邻的角度 60 if arccos(dotprods)[indx[0]] < dist_ratio * arccos(dotprods)[indx[1]]: 61 matchscores[i] = int(indx[0]) 62 return matchscores 63 64 def match_twosided(desc1, desc2): 65 """双向对称版本的match()""" 66 matches_12 = match(desc1, desc2) 67 matches_21 = match(desc2, desc1) 68 ndx_12 = matches_12.nonzero()[0] 69 # 去除不对称的匹配 70 for n in ndx_12: 71 if matches_21[int(matches_12[n])] != n: 72 matches_12[n] = 0 73 return matches_12 74 75 def appendimages(im1, im2): 76 """返回将两幅图像并排拼接成的一幅新图像""" 77 #选取具有最少行数的图像,然后填充足够的空行 78 rows1 = im1.shape[0] 79 rows2 = im2.shape[0] 80 if rows1 < rows2: 81 im1 = concatenate((im1, zeros((rows2-rows1,im1.shape[1]))),axis=0) 82 elif rows1 >rows2: 83 im2 = concatenate((im2, zeros((rows1-rows2,im2.shape[1]))),axis=0) 84 return concatenate((im1,im2), axis=1) 85 86 def plot_matches(im1,im2,locs1,locs2,matchscores,show_below=True): 87 """ 显示一幅带有连接匹配之间连线的图片 88 输入:im1, im2(数组图像), locs1,locs2(特征位置),matchscores(match()的输出), 89 show_below(如果图像应该显示在匹配的下方) 90 """ 91 im3=appendimages(im1, im2) 92 if show_below: 93 im3=vstack((im3, im3)) 94 imshow(im3) 95 cols1 = im1.shape[1] 96 for i in range(len(matchscores)): 97 if matchscores[i]>0: 98 plot([locs1[i,0],locs2[matchscores[i,0],0]+cols1], [locs1[i,1],locs2[matchscores[i,0],1]],\'c\') 99 axis(\'off\') 100 101 im1f = \'siftt/25.jpg\' 102 im2f = \'siftt/26.jpg\' 103 104 im1 = array(Image.open(im1f)) 105 im2 = array(Image.open(im2f)) 106 107 process_image(im1f, \'out_sift_1.txt\') 108 l1,d1 = read_features_from_file(\'out_sift_1.txt\') 109 figure() 110 gray() 111 subplot(121) 112 plot_features(im1, l1, circle=False) 113 114 process_image(im2f, \'out_sift_2.txt\') 115 l2,d2 = read_features_from_file(\'out_sift_2.txt\') 116 subplot(122) 117 plot_features(im2, l2, circle=False) 118 119 matches = match_twosided(d1, d2) 120 print \'{} matches\'.format(len(matches.nonzero()[0])) 121 122 figure() 123 gray() 124 plot_matches(im1, im2, l1, l2, matches, show_below=True) 125 show()
结果截图:
小结:用siftt算法提取两张图的特征点,然后双向匹配两张图片的描述子,用线将两幅图相匹配的描述子相连,连的线越多,说明这两幅图的匹配度越高,两幅图越相似。
4、给定一张图片,输出匹配度最高的三张图片
代码:
1 # -*- coding: utf-8 -*- 2 from PIL import Image 3 from pylab import * 4 from numpy import * 5 import os 6 from PCV.tools.imtools import get_imlist # 导入原书的PCV模块 7 import matplotlib.pyplot as plt # plt 用于显示图片 8 import matplotlib.image as mpimg # mpimg 用于读取图片 9 10 def process_image(imagename, resultname, params="--edge-thresh 10 --peak-thresh 5"): 11 """ 处理一幅图像,然后将结果保存在文件中""" 12 if imagename[-3:] != \'pgm\': 13 #创建一个pgm文件 14 im = Image.open(imagename).convert(\'L\') 15 im.save(\'tmp.pgm\') 16 imagename =\'tmp.pgm\' 17 cmmd = str("sift "+imagename+" --output="+resultname+" "+params) 18 os.system(cmmd) 19 print \'processed\', imagename, \'to以上是关于python—sift特征提取的主要内容,如果未能解决你的问题,请参考以下文章