Python图像处理，cv2模块，OpenCV实现检索图片

前言

利用Python实现OpenCV实现检索图片。废话不多说。

让我们愉快地开始吧~

开发工具

Python版本： 3.6.4

相关模块：

cv2模块；

以及一些Python自带的模块。

环境搭建

安装Python并添加到环境变量，pip安装需要的相关模块即可。

OpenCV可以检测图像的主要特征，然后提取图像的特征，使其成为图像描述符

这些图像特征，也就是图像描述符，可以作为图像搜索的数据库

特征检测算法

这里简单介绍一下OpenCV常用的几种特征检测和提取算法。

Harris、FAST：用于检测角点的。

SIFT、SURF、BRIEF：用于检测斑点的。

ORB：FAST算法和BRIEF算法的结合体。\

检测和提取的工作做完了，就是特征匹配。

主要是「暴力匹配法」和「FLANN匹配法」。

提了好几次特征了，那么什么是图像的特征呢？

图像特征就是指有意义的图像区域，具有独特性或易于识别性，比如角点、斑点以及高密度区。

角点可以通过OpenCV的cornerHarris来识别。

「SIFT」则是一种与图像比例无关的角点检测方法，尺度不变特征变换。

采用DoG和SIFT来检测关键点并提取关键点周围的特征。

「SURF」特征检测算法，则是采用Hessian算法检测关键点，使用SURF提取特征。

图像检索

采用FLANN匹配，近似最近邻的快速库

原始图片如下，为微博的Logo

目标图片如下，包含新浪微博的名称

具体代码如下

import cv2

good = []
# 原始图片
queryImage = cv2.imread('wb1.jpg', 0)
# 目标图片
trainingImage = cv2.imread('wb2.jpg', 0)

# 创建SIFT对象(特征检测器),并计算灰度图像(描述符)
sift = cv2.xfeatures2d.SIFT_create()
kp1, des1 = sift.detectAndCompute(queryImage, None)
kp2, des2 = sift.detectAndCompute(trainingImage, None)

# 设置FLANN匹配器参数
FLANN_INDEX_KDTREE = 0
indexParams = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
searchParams = dict(checks=50)

# FLANN匹配器
flann = cv2.FlannBasedMatcher(indexParams, searchParams)

# K-最近邻匹配
matches = flann.knnMatch(des1, des2, k=2)

# 绘制一个空白图片
matchesMask = [[0, 0] for i in range(len(matches))]

# 绘制图像
for i, (m, n) in enumerate(matches):
    if m.distance < 0.7*n.distance:
        matchesMask[i] = [1, 0]
        good.append(m)


# 图像参数
drawParams = dict(matchColor=(0, 255, 0),
                  singlePointColor=(255, 0, 0),
                  matchesMask=matchesMask,
                  flags=0)

# 最终结果
resultImage = cv2.drawMatchesKnn(queryImage, kp1, trainingImage, kp2, matches, None, **drawParams)

# 检测是否匹配
if len(good) > 10:
    print('It is a match!')

# 设置显示窗口
cv2.namedWindow('img', 0)
cv2.resizeWindow('img', 840, 480)
cv2.imshow('img', resultImage)
while True:
    if cv2.waitKey(0) & 0xff == ord('q'):
        break
cv2.destroyAllWindows()
复制代码

输出展示结果

看到原始图片上的logo和目标图片上的logo匹配上，大家也可以试一试哦~源码在此处