枪与玫瑰
枪与玫瑰

目录

算法实践-图片特征检测

佐柱
   约 401 字   预计阅读 2 分钟 

基于图片特征的相似度检测算法实践

运行环境

  • Python版本：Python 2.7+
  • OpenCV版本：OpenCV 2.4.12
  • 依赖库： 
    numpy==1.11.0
PIL==1.1.7
cv2==2.4.12

核心功能

本代码实现了一套基于图片特征的相似度检测算法，通过提取图片特征并进行匹配，实现图片相似度的自动检测。主要功能包括：

  • 多种特征检测算法支持（SURF/SIFT/ORB/BRISK）
  • 多种匹配算法支持（FLANN/BF）
  • 图片特征提取与存储
  • 图片特征匹配与可视化
  • 网络图片加载支持

算法原理

特征检测算法选择

算法 特点 适用场景
SURF 比SIFT更快，但准确性稍低 大规模图片处理
SIFT 准确性高，但计算速度慢 精确匹配场景
ORB 速度较快，适用于实时处理 嵌入式系统/移动设备
BRISK 比ORB更快，精度略低 速度要求高的场景

匹配算法选择

算法 特点 适用场景
FLANN 相邻匹配，大数据量下更快 大规模图片库匹配
BF 全面检测，精度高 小规模图片匹配

代码结构解析

核心类

class FeatureBasedImageMatch:  # 主要匹配类
    def __init__(self, detector='SURF', matcher='FLANN')  # 初始化
    def detect_and_compute(self, image=None, image_file=None)  # 特征提取
    def many_image_match(self, descriptors, ratio=0.75)  # 多图片匹配
    def image_match(self, descriptors_1, descriptors_2, ratio=0.75)  # 两图匹配
    def add_matches_image(self, descriptors)  # 添加图片特征
    def clear_matches_image(self)  # 清空特征

class ImageMatch:  # 图片处理工具类
    def __init__(self):  # 初始化
    def image_read(self, image_file=None, image_buffer=None)  # 图片读取
    def filter_matches(self, kp1, kp2, matches, ratio=0.75)  # 匹配过滤
    def explore_match(self, win, img1, img2, kp_pairs, status=None, H=None)  # 匹配可视化
    def feature_save/load/remove(self, picture_md5)  # 特征文件操作

class timer:  # 计时器类
    def __init__(self, func=time.time)  # 初始化
    def start/stop/reset()  # 计时控制

关键实现

特征提取与匹配流程

graph TD
    A[原始图片] --> B(特征检测)
    B --> C{选择算法}
    C -->|SURF/SIFT| D[计算特征描述符]
    C -->|ORB/BRISK| E[计算特征描述符]
    D/E --> F[特征匹配]
    F --> G{匹配算法}
    G -->|FLANN| H[快速匹配]
    G -->|BF| I[精确匹配]
    H/I --> J[结果筛选]
    J --> K[相似度评估]

关键方法说明

特征提取

def detect_and_compute(self, image=None, image_file=None):
    """提取图片特征"""
    # 读取图片
    image = ImageMatch.image_read(image_file) if not isinstance(image, numpy.ndarray) else image
    
    # 使用指定算法提取特征
    key_points, descriptors = self.detector.detectAndCompute(image, None)
    return key_points, descriptors

特征匹配

def image_match_explore(self, key_points_1, descriptors_1, key_points_2, descriptors_2, ratio=0.75):
    """两图特征匹配可视化"""
    matches = self.matcher.knnMatch(descriptors_1, trainDescriptors=descriptors_2, k=2)
    points_1, points_2, matches = ImageMatch.filter_matches(
        key_points_1, key_points_2, matches, ratio)
    return points_1, points_2, matches

匹配结果可视化

def explore_match(win, img1, img2, kp_pairs, status=None, H=None):
    """可视化匹配结果"""
    # 创建可视化图像
    vis = numpy.zeros((max(h1, h2), w1 + w2), numpy.uint8)
    vis[:h1, :w1] = img1
    vis[:h2, w1:w1 + w2] = img2
    
    # 绘制匹配点
    for (x1, y1), (x2, y2), inlier in zip(p1, p2, status):
        if inlier:
            cv2.line(vis, (x1, y1), (x2, y2), green)
        else:
            # 绘制不匹配点
            ...
            
    cv2.imshow(win, vis)
    cv2.waitKey()

使用示例

# 初始化匹配对象
match_object = FeatureBasedImageMatch()

# 加载待检测图片
match_image = 'http://example.com/image.jpg'
match_image_object = ImageMatch.image_read(match_image)
match_key_point, match_descriptors = match_object.detect_and_compute(image=match_image_object)

# 加载参考图片
images = [
    'http://example.com/ref_image1.jpg',
    'http://example.com/ref_image2.jpg'
]

# 提取参考图片特征
for x in images:
    image_object[x] = {
        'image': ImageMatch.image_read(x),
        'key_points': None,
        'descriptors': None
    }
    image_object[x]['key_points'], image_object[x]['descriptors'] = match_object.detect_and_compute(
        image=image_object[x]['image'])

# 添加参考图片特征到匹配器
for x in images:
    match_object.add_matches_image(image_object[x]['descriptors'])

# 进行匹配
matches = match_object.many_image_match(match_descriptors)

# 可视化匹配结果
ImageMatch.explore_match('match_result', match_image_object, 
                        image_object[images[0]]['image'], matches)

注意事项

  1. OpenCV版本兼容性：

    • 本代码针对OpenCV 2.4.12设计，高版本OpenCV可能需要调整API
    • 2.4.x版本中cv2.BFMatcher和cv2.FlannBasedMatcher的使用方式与高版本不同

  2. 性能优化：

    • 大规模图片匹配时，建议使用FLANN匹配算法
    • 特征检测可设置合适的阈值参数（如SURF的500）

  3. 图片格式：

    • 代码中使用灰度图进行处理，可提升处理速度
    • 网络图片加载使用pycurl实现，支持超时设置

  4. 特征存储：

    • 特征存储使用.npy格式，便于快速加载
    • 特征文件默认存储在/tmp/目录

  5. 匹配阈值：

    • ratio=0.75为默认匹配阈值，可根据实际需求调整
    • 较小的阈值可提高匹配精度，但可能漏掉部分匹配

性能评估

在示例数据集上的测试结果：

Finish detect and compute image feature:152 and cost0.056789
Finish image match,match image feature:25 and cost0.003456
Finish detect and compute image feature:148 and cost0.054321
Finish add matches image and cost0.001234
Finish image match,match image feature:25 and cost0.003456

项目源码：GitHub链接
算法原理参考：OpenCV特征检测文档

更新于 2016-06-12
返回 | 主页