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 cv2good = []
# 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