快捷導(dǎo)航

Python中利用Scipy包的SIFT方法進(jìn)行圖片識別的實例教程

更新時間：2016年06月03日 16:33:16 作者：mattkang

SIFT算法可以檢測圖片中的局部特征,算法原理相當(dāng)復(fù)雜...但是!Python強(qiáng)大的第三方包Scipy中帶有實現(xiàn)SIFT算法的SIFT方法,我們只要拿來用就可以了,下面就為大家?guī)鞵ython中利用Scipy包的SIFT方法進(jìn)行圖片識別的實例教程.

scipy
scipy包包含致力于科學(xué)計算中常見問題的各個工具箱。它的不同子模塊相應(yīng)于不同的應(yīng)用。像插值，積分，優(yōu)化，圖像處理，，特殊函數(shù)等等。
scipy可以與其它標(biāo)準(zhǔn)科學(xué)計算程序庫進(jìn)行比較，比如GSL(GNU C或C++科學(xué)計算庫)，或者M(jìn)atlab工具箱。scipy是Python中科學(xué)計算程序的核心包;它用于有效地計算numpy矩陣，來讓numpy和scipy協(xié)同工作。
在實現(xiàn)一個程序之前，值得檢查下所需的數(shù)據(jù)處理方式是否已經(jīng)在scipy中存在了。作為非專業(yè)程序員，科學(xué)家總是喜歡重新發(fā)明造輪子，導(dǎo)致了充滿漏洞的，未經(jīng)優(yōu)化的，很難分享和維護(hù)的代碼。相反，Scipy程序經(jīng)過優(yōu)化和測試，因此應(yīng)該盡可能使用。
scipy由一些特定功能的子模塊組成，它們?nèi)蕾噉umpy,但是每個之間基本獨立。
舉個Debian系的Linux中安裝的例子（雖然我在windows上用--）：

復(fù)制代碼代碼如下:

sudo apt-get install python-numpy python-scipy python-matplotlib ipython ipython-notebook python-pandas python-sympy python-nose

導(dǎo)入Numpy和這些scipy模塊的標(biāo)準(zhǔn)方式是：

import numpy as np
from scipy import stats # 其它子模塊相同

主scipy命名空間大多包含真正的numpy函數(shù)(嘗試 scipy.cos 就是 np.cos)。這些僅僅是由于歷史原因，通常沒有理由在你的代碼中使用import scipy。

使用圖像匹配SIFT算法進(jìn)行LOGO檢測
先上效果圖：

201663162112330.jpg (650×490)

其中 201663162223229.jpg (106×30) 是logo標(biāo)識,

201663162246930.jpg (541×462)

代碼如下.

#coding=utf-8 
import cv2 
import scipy as sp 
 
img1 = cv2.imread('x1.jpg',0) # queryImage 
img2 = cv2.imread('x2.jpg',0) # trainImage 
 
# Initiate SIFT detector 
sift = cv2.SIFT() 
 
# find the keypoints and descriptors with SIFT 
kp1, des1 = sift.detectAndCompute(img1,None) 
kp2, des2 = sift.detectAndCompute(img2,None) 
 
# FLANN parameters 
FLANN_INDEX_KDTREE = 0 
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5) 
search_params = dict(checks=50)  # or pass empty dictionary 
flann = cv2.FlannBasedMatcher(index_params,search_params) 
matches = flann.knnMatch(des1,des2,k=2) 
 
print 'matches...',len(matches) 
# Apply ratio test 
good = [] 
for m,n in matches: 
  if m.distance < 0.75*n.distance: 
    good.append(m) 
print 'good',len(good) 
# ##################################### 
# visualization 
h1, w1 = img1.shape[:2] 
h2, w2 = img2.shape[:2] 
view = sp.zeros((max(h1, h2), w1 + w2, 3), sp.uint8) 
view[:h1, :w1, 0] = img1 
view[:h2, w1:, 0] = img2 
view[:, :, 1] = view[:, :, 0] 
view[:, :, 2] = view[:, :, 0] 
 
for m in good: 
  # draw the keypoints 
  # print m.queryIdx, m.trainIdx, m.distance 
  color = tuple([sp.random.randint(0, 255) for _ in xrange(3)]) 
  #print 'kp1,kp2',kp1,kp2 
  cv2.line(view, (int(kp1[m.queryIdx].pt[0]), int(kp1[m.queryIdx].pt[1])) , (int(kp2[m.trainIdx].pt[0] + w1), int(kp2[m.trainIdx].pt[1])), color) 
 
cv2.imshow("view", view) 
cv2.waitKey()

您可能感興趣的文章: