OpenCV 2.4.1-computando los descriptores SURF en Python

sift opencv python

Question

Estoy intentando actualizar mi código para usar cv2.SURF() en lugar de cv2.FeatureDetector_create("SURF") y cv2.DescriptorExtractor_create("SURF") . Sin embargo, estoy teniendo problemas para obtener los descriptores después de detectar los puntos clave. ¿Cuál es la forma correcta de llamar a SURF.detect ?

Intenté seguir la documentación de OpenCV, pero estoy un poco confundido. Esto es lo que dice en la documentación.

Python: cv2.SURF.detect(img, mask) → keypoints¶
Python: cv2.SURF.detect(img, mask[, descriptors[, useProvidedKeypoints]]) → keypoints, descriptors

¿Cómo paso los puntos clave cuando hago la segunda llamada a SURF.detect ?

Answer 1

No estoy seguro de si entiendo sus preguntas correctamente. Pero si está buscando una muestra de puntos clave SURF coincidentes, a continuación se encuentra uno muy simple y básico, que es similar a la coincidencia de plantillas:

import cv2
import numpy as np

# Load the images
img =cv2.imread(''messi4.jpg'')

# Convert them to grayscale
imgg =cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# SURF extraction
surf = cv2.SURF()
kp, descritors = surf.detect(imgg,None,useProvidedKeypoints = False)

# Setting up samples and responses for kNN
samples = np.array(descritors)
responses = np.arange(len(kp),dtype = np.float32)

# kNN training
knn = cv2.KNearest()
knn.train(samples,responses)

# Now loading a template image and searching for similar keypoints
template = cv2.imread(''template.jpg'')
templateg= cv2.cvtColor(template,cv2.COLOR_BGR2GRAY)
keys,desc = surf.detect(templateg,None,useProvidedKeypoints = False)

for h,des in enumerate(desc):
    des = np.array(des,np.float32).reshape((1,128))
    retval, results, neigh_resp, dists = knn.find_nearest(des,1)
    res,dist =  int(results[0][0]),dists[0][0]

    if dist<0.1: # draw matched keypoints in red color
        color = (0,0,255)
    else:  # draw unmatched in blue color
        print dist
        color = (255,0,0)

    #Draw matched key points on original image
    x,y = kp[res].pt
    center = (int(x),int(y))
    cv2.circle(img,center,2,color,-1)

    #Draw matched key points on template image
    x,y = keys[h].pt
    center = (int(x),int(y))
    cv2.circle(template,center,2,color,-1)

cv2.imshow(''img'',img)
cv2.imshow(''tm'',template)
cv2.waitKey(0)
cv2.destroyAllWindows()

A continuación, se muestran los resultados que obtuve (copie la imagen de la plantilla pegada en la imagen original con pintura):

Como puedes ver, hay algunos pequeños errores . Pero para una startup, espero que esté bien.

Answer 2

Una mejora del algoritmo anterior es:

import cv2
import numpy

opencv_haystack =cv2.imread(''haystack.jpg'')
opencv_needle =cv2.imread(''needle.jpg'')

ngrey = cv2.cvtColor(opencv_needle, cv2.COLOR_BGR2GRAY)
hgrey = cv2.cvtColor(opencv_haystack, cv2.COLOR_BGR2GRAY)

# build feature detector and descriptor extractor
hessian_threshold = 85
detector = cv2.SURF(hessian_threshold)
(hkeypoints, hdescriptors) = detector.detect(hgrey, None, useProvidedKeypoints = False)
(nkeypoints, ndescriptors) = detector.detect(ngrey, None, useProvidedKeypoints = False)

# extract vectors of size 64 from raw descriptors numpy arrays
rowsize = len(hdescriptors) / len(hkeypoints)
if rowsize > 1:
    hrows = numpy.array(hdescriptors, dtype = numpy.float32).reshape((-1, rowsize))
    nrows = numpy.array(ndescriptors, dtype = numpy.float32).reshape((-1, rowsize))
    #print hrows.shape, nrows.shape
else:
    hrows = numpy.array(hdescriptors, dtype = numpy.float32)
    nrows = numpy.array(ndescriptors, dtype = numpy.float32)
    rowsize = len(hrows[0])

# kNN training - learn mapping from hrow to hkeypoints index
samples = hrows
responses = numpy.arange(len(hkeypoints), dtype = numpy.float32)
#print len(samples), len(responses)
knn = cv2.KNearest()
knn.train(samples,responses)

# retrieve index and value through enumeration
for i, descriptor in enumerate(nrows):
    descriptor = numpy.array(descriptor, dtype = numpy.float32).reshape((1, rowsize))
    #print i, descriptor.shape, samples[0].shape
    retval, results, neigh_resp, dists = knn.find_nearest(descriptor, 1)
    res, dist =  int(results[0][0]), dists[0][0]
    #print res, dist

    if dist < 0.1:
        # draw matched keypoints in red color
        color = (0, 0, 255)
    else:
        # draw unmatched in blue color
        color = (255, 0, 0)
    # draw matched key points on haystack image
    x,y = hkeypoints[res].pt
    center = (int(x),int(y))
    cv2.circle(opencv_haystack,center,2,color,-1)
    # draw matched key points on needle image
    x,y = nkeypoints[i].pt
    center = (int(x),int(y))
    cv2.circle(opencv_needle,center,2,color,-1)

cv2.imshow(''haystack'',opencv_haystack)
cv2.imshow(''needle'',opencv_needle)
cv2.waitKey(0)
cv2.destroyAllWindows()

Puede descomentar las declaraciones de impresión para tener una mejor idea acerca de las estructuras de datos utilizadas.