OpenCV-Python系列之理解特征

本文主要是介绍OpenCV-Python系列之理解特征，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

上个教程结束，标志着OpenCV的图像处理部分已经结束，从本次教程开始，我们开始讨论图像的特征问题，这是一个庞大的体系，它决定了后面目标识别的基础，本次我们先来理解图像的特征问题。

我们大多数都会玩拼图游戏。会得到很多小图片，我们需要正确地将它们组装起来才能形成一个大的真实图像。问题是，这是如何做到的？如何将相同的理论投射到电脑程序中，让电脑可以玩拼图游戏？如果电脑可以玩拼图游戏，为什么我们不能给计算机提供很多真实的自然风景图像，并告诉它将所有这些图像拼接成一个大的图像？如果计算机可以将几张自然图像拼接成一张，那么给建筑物或任何结构提供大量图片并告诉计算机从中创建3D模型呢？

那么，这些问题和想象力还在继续。但这一切都取决于最基本的问题，我们如何玩拼图游戏？如何将大量的图像拼凑成一个大的单一的图像？怎样才能将很多自然图像拼接成单一图像？

答案是，我们正在寻找特定的模式或特定的功能，这些模式或功能是独一无二的，可以轻松跟踪，并且可以轻松进行比较。如果我们去定义这样一个特征，我们可能会发现用文字表达它很困难，但是我们知道它们是什么。如果有人要求指出一个可以在多个图像上进行比较的优秀特征，则可以指出一个特征。这就是为什么小孩子也能玩这些游戏的原因。我们在图像中搜索这些特征，找到它们，在其它图像中找到相同的特征，并对齐它们而已。

所以我们的一个基本问题扩大到数量上，但变得更具体。这些功能是什么？

那么，很难说人类如何找到这些特征。它已经在我们的大脑中编程了。但如果我们深入研究一些图片并寻找不同答案，我们会发现一些有趣的东西。

例如，如下图像：

图像非常简单。在图像的顶部，给出了六个小图像补丁。我们的问题是要在原始图像中找到这补丁的确切位置。最终可以找到多少正确的结果？

A和B是平坦的表面，它们分布在很多区域。 很难找到这些补丁的确切位置。

C和D要简单得多。它们是建筑物的边缘。 我们可以找到一个大概的位置，但确切的位置仍然很困难。 这是因为，沿着边缘，到处都是一样的。 正常到边缘，它是不同的。 所以与平坦区域相比，边缘是一个更好的特征，但是还不够好（对于比较边缘的连续性，它在拼图游戏中很好）。

最后，E和F是建筑物的一些角落。 他们很容易被发现。 因为在角落里，无论怎么移动这个补丁，它看起来都不一样。所以他们可以被认为是一个很好的特征。 所以现在我们转向更简单（并广泛使用的图像）以便更好地理解。

就像上面一样，蓝色斑块是平坦的区域，很难找到和跟踪。无论怎么移动蓝色补丁，它看起来都一样。对于黑色补丁，这是一个优势。如果沿垂直方向（即沿着梯度）移动它，它会发生变化。沿边缘（平行于边缘）看起来是一样的。对于红色补丁，它是一个角落。无论在哪里移动补丁，它看起来都不一样，意味着它是独一无二的。所以基本上，角落被认为是图像中的优秀特征。（不仅仅是角落，在某些情况下，斑点被认为是很好的特征）。

所以现在我们回答了我们的问题：“这些特征是什么？”。但下一个问题出现了。我们如何找到它们？或者我们如何找到角落？我们也以一种直观的方式回答了问题，即寻找图像中周围所有区域移动时（最小变化）的区域。这将在未来的章节中被投射到计算机语言中。因此找到这些图像特征称为特征检测。

所以我们找到了图像中的特征。一旦找到它，应该在其他图像中找到相同的图像。我们所做的？我们在特征周围取一个区域，用我们自己的话来解释它，例如“上半部分是蓝天，下半部分是建筑物区域，在那个建筑物上有一些眼镜等等”，然后在其他图像中搜索相同的区域。基本上，正在描述这个功能。类似的方式，计算机也应该描述该特征周围的区域，以便它可以在其他图像中找到它。所谓的描述称为特征描述。一旦我们有了这些特征和描述，就可以在所有图像中找到相同的特征并对齐它们，缝合它们或者做我们想做的任何事情。

下次教程，我们将详述OpenCV中的特征实现方法。

这篇关于OpenCV-Python系列之理解特征的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！