上海网站建设规划,公司展览厅设计,wordpress删除空标签,美食网站建设的功能LBP描述
LBP#xff08;Local Binary Pattern#xff0c;局部二值模式#xff09;是一种用来描述图像局部纹理特征的算子#xff1b;它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikinen, 和D. Harwood 在1994年提出#xff0c;用于纹理特征提取…LBP描述
LBPLocal Binary Pattern局部二值模式是一种用来描述图像局部纹理特征的算子它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen, 和D. Harwood 在1994年提出用于纹理特征提取。而且提取的特征是图像的局部的纹理特征
计算过程
原始的LBP算子定义为在3\*3的窗口内以窗口中心像素为阈值将相邻的8个像素的灰度值与其进行比较若周围像素值大于中心像素值则该像素点的位置被标记为1否则为0。这样3\*3邻域内的8个点经比较可产生8位二进制数通常转换为十进制数即LBP码共256种即得到该窗口中心像素点的LBP值并用这个值来反映该区域的纹理信息。数学表达式方式如下图所示 上述表述可能会比较抽象接下来我们举一个例子表述 一下 代码实现
class LBP
{
public:LBP(string url mm.jpg) :img(imread(url, IMREAD_GRAYSCALE)) {result[img] img;}void GetLBP(){result[LBP] Mat::zeros(img.rows - 2, img.cols - 2, CV_8UC1);for (int i 1; i img.rows - 1; i) {for (int j 1; j img.cols - 1; j) {uchar temp img.atuchar(i, j);uchar color 0;color | (img.atuchar(i - 1, j - 1) temp) 7;color | (img.atuchar(i - 1, j) temp) 6;color | (img.atuchar(i - 1, j 1) temp) 5;color | (img.atuchar(i, j 1) temp) 4;color | (img.atuchar(i1, j 1) temp) 3;color | (img.atuchar(i1, j) temp) 2;color | (img.atuchar(i1, j - 1) temp) 1;color | (img.atuchar(i, j - 1) temp) 0;result[LBP].atuchar(i - 1, j - 1) color;}}}void Show() {for (auto v : result) {imshow(v.first, v.second);}waitKey(0);}protected:mapstring, Mat result;Mat img;
}; SIFT特征检测
尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征它在空间尺度中寻找极值点并提取出其位置、尺度、旋转不变量此算法由 David Lowe在1999年所发表2004年完善总结。 其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。
SIFT算法是为了解决图片的匹配问题想要从图像中提取一种对图像的大小和旋转变化保持鲁棒的特征从而实现匹配。这一算法的灵感也十分的直观人眼观测两张图片是否匹配时会注意到其中的典型区域特征点部分如果我们能够实现这一特征点区域提取过程再对所提取到的区域进行描述就可以实现特征匹配了。 SIFT算法大致流程
高斯金字塔
人看物体时近大远小可以对图片下采样实现远处模糊可以对图像高斯平滑实现 高斯差分金字塔特征提取
获取了不同尺度的图片获取高频区域边缘检测的算法使用差分滤波器如拉普拉斯滤波器、sobel滤波器 特征点处理
阈值化操作(去噪)非极大值抑制二阶泰勒修正低对比度去除边缘效应去除 描述特征点
确定特征点区域方向特征点区域描述子 API介绍 static PtrSIFT create(int nfeatures 0, int nOctaveLayers 3,double contrastThreshold 0.04, double edgeThreshold 10,double sigma 1.6); /******************************************************************* * nfeatures: 保留的最佳特性的数量 * cornOctaveLayersners: 高斯金字塔最小层级数 * contrastThreshold: 对比度阈值用于过滤区域中的弱特征 * edgeThreshold: 用于过滤掉类似边缘特征的阈值 * sigma: 高斯输入层级 *********************************************************************/ virtual void detect( InputArray image,std::vectorKeyPoint keypoints,InputArray masknoArray()); /******************************************************************* * image: 输入图 * keypoints: 角点信息 * mask: 计算亚像素角点区域大小 *********************************************************************/ void drawKeypoints( InputArray image, const std::vectorKeyPoint keypoints, InputOutputArray outImage,const Scalar colorScalar::all(-1), DrawMatchesFlags flagsDrawMatchesFlags::DEFAULT ); /******************************************************************* * image: 输入图 * keypoints: 角点信息 * outImage: 输出图 * color: 颜色 * flags: 绘制标记 *********************************************************************/ 完整代码
#include iostream
#include map
#include new
#include opencv2/opencv.hpp
using namespace std;
using namespace cv;
class SIFTFeature
{
public:SIFTFeature() :img(imread(mm.jpg)) {result[img] img;}void TestSIFT() {PtrSIFT sift SIFT::create();sift-detect(img, point);drawKeypoints(img, point, result[SIFT], Scalar(255, 0, 255));}void Show() {for (auto v : result) {imshow(v.first, v.second);}waitKey(0);}
protected:Mat img;vectorKeyPoint point;mapstring, Mat result;
};int main()
{unique_ptrSIFTFeature p(new SIFTFeature);p-TestSIFT();p-Show();return 0;
}
效果图
