目标
本节将要学习：
SUFR 的基础是什么？
OpenCV 中的 SURF
原理
在上一节中学习了使用 SIFT 算法进行关键点检测和描述。 但是这种算法的执行速度比较慢，人们需要速度更快的算法。 在 2006 年Bay,H.,Tuytelaars,T. 和 Van Gool,L 共同提出了 SURF（加速稳健特征）算法。 跟它的名字一样，这是个算法是加速版的 SIFT。
在 SIFT 中，Lowe 在构建尺度空间时使用 DoG 对 LoG 进行近似。 SURF使用盒子滤波器（box_filter）对 LoG 进行近似。下图显示了这种近似。 在进行卷积计算时可以利用积分图像（积分图像的一大特点是： 计算图像中某个窗口内所有像素和时，计算量的大小与窗口大小无关）， 是盒子滤波器的一大优点。而且这种计算可以在不同尺度空间同时进行。 同样 SURF 算法计算关键点的尺度和位置是也是依赖与 Hessian 矩阵行列式的。
为了保证特征矢量具有选装不变形，需要对于每一个特征点分配一个主要方向。 需要以特征点为中心， 以 6s（s 为特征点的尺度）为半径的圆形区域内， 对图像进行 Harr 小波相应运算。这样做实际就是对图像进行梯度运算， 但是利用积分图像，可以提高计算图像梯度的效率， 为了求取主方向值，需哟啊设计一个以方向为中心， 张角为 60 度的扇形滑动窗口，以步长为 0.2 弧度左右旋转这个滑动窗口， 并对窗口内的图像 Haar 小波的响应值进行累加。 主方向为最大的 Haar 响应累加值对应的方向。 在很多应用中根本就不需要旋转不变性， 所以没有必要确定它们的方向， 如果不计算方向的话，又可以使算法提速。 SURF 提供了成为 U-SURF 的功能， 它具有更快的速度，同时保持了对 +/-15 度旋转的稳定性。 OpenCV 对这两种模式同样支持， 只需要对参数upright 进行设置， 当 upright 为 0 时计算方向， 为 1 时不计算方向，同时速度更快。
生成特征点的特征矢量需要计算图像的 Haar 小波响应。 在一个矩形的区域内，以特征点为中心， 沿主方向将 20s20s 的图像划分成 44 个子块， 每个子块利用尺寸 2s 的 Haar 小波模版进行响应计算， 然后对响应值进行统计，组成向量
。这个描述符的长度为 64。降低的
维度可以加速计算和匹配，但又能提供更容易区分的特征。
为了增加特征点的独特性，SURF 还提供了一个加强版 128 维的特征描述符。
当 d y 大于 0 和小于 0 时分别对 d x 和 |d x | 的和进行计算，
计算 d y和 |d y | 时也进行区分，
这样获得特征就会加倍，但又不会增加计算的复杂度。
为了更具独特性，SURF特征描述符具有扩展的128维版本。以下各项的总和
,
分别计算
和
。 同样
和
按符号分开
, 从而使特征数量加倍。
OpenCV 同样提供了这种功能，当参数 extended 设置为 1 时为 128 维， 当参数为 0 时为 64 维，默认情况为 128 维。 在检测特征点的过程中计算了 Hessian 矩阵的行列式， 与此同时，计算得到了 Hessian 矩阵的迹，矩阵的迹为对角元素之和。
按照亮度的不同，可以将特征点分为两种， 第一种为特征点迹其周围小邻域的亮度比背景区域要亮， Hessian 矩阵的迹为正； 另外一种为特征点迹其周围小邻域的亮度比背景区域要暗， Hessian 矩阵为负值。 根据这个特性，首先对两个特征点的 Hessian 的迹进行比较。 如果同号，说明两个特征点具有相同的对比度； 如果异号的话，说明两个特征点的对比度不同， 放弃特征点之间的后续的相似性度量。
对于两个特征点描述子的相似性度量， 采用欧式距离进行计算。
简单来说 SURF 算法采用了很多方法来对每一步进行优化从而提高速度。 分析显示在结果效果相当的情况下 SURF 的速度是 SIFT 的 3 倍。 SURF 善于处理具有模糊和旋转的图像， 但是不善于处理视角变化和关照变化。
OpenCV 中的 SURF
与 SIFT 相同 OpenCV 也提供了 SURF 的相关函数。
首先要初始化一个 SURF 对象，
同时设置好可选参数：64/128 维描述符，Upright/Normal 模式等。
所有的细节都已经在文档中解释的很明白了。
就像在SIFT 中一样，可以使用函数 SURF.detect() ，
SURF.compute() 等来进行关键点搀着和描述。
首先从查找描述绘制关键点开始。 由于和 SIFT 一样，所以示例都在Python 终端中演示。
import cv2
img=cv2.imread("../data/butterfly.jpg",0)
surf=cv2.SURF(400)
kp, des = surf.detectAndCompute(img,None)
len(kp)
--------------------------------------------------------------------------- AttributeError Traceback (most recent call last) Cell In[1], line 3 1 import cv2 2 img=cv2.imread("../data/butterfly.jpg",0) ----> 3 surf=cv2.SURF(400) 4 kp, des = surf.detectAndCompute(img,None) 5 len(kp) AttributeError: module 'cv2' has no attribute 'SURF'
699
在一幅图像中显示 699 个关键点太多了。把它缩减到 50 个再绘制到图片上。 在匹配时，可能需要所有的这些特征，不过现在还不需要。 所以现在提高 Hessian 的阈值。
#Check present Hessian threshold
print
surf.hessianThreshold
400.0
#We set it to some 50000. Remember, it is just for representing in picture.
#In actual cases, it is better to have a value 300-500
surf.hessianThreshold = 50000
#Again compute keypoints and check its number.
kp, des =
surf.detectAndCompute(img,None)
print
len(kp)
Cell In[2], line 13 surf.hessianThreshold = 50000 ^ IndentationError: unexpected indent
47
现在低于 50 了，把它们绘制到图像中吧。
img2 = cv2.drawKeypoints(img,kp,None,(255,0,0),4
)
plt.imshow(img2),plt.show()
Cell In[3], line 5 plt.imshow(img2),plt.show() ^ IndentationError: unexpected indent
结果如下，将会发现 SURF 很像一个斑点检测器。 它可以检测到蝴蝶翅膀上的白班，可以在其他图片中测试一下。
现在试一下 U-SURF，它不会检测关键点的方向。
#Check upright flag, if it False, set it to True
print
surf.upright
False
surf.upright =
True
#Recompute the feature points and draw it
kp =
surf.detect(img,None)
img2 = cv2.drawKeypoints(img,kp,None,(255,0,0),4
)
plt.imshow(img2),plt.show()
Cell In [4], line 9 surf.upright = ^ IndentationError: unexpected indent
结果如下。所有的关键点的朝向都是一致的。它比前面的快很多。 如果工作对关键点的朝向没有特别的要求（如全景图拼接）等，这种方法会更快。
最后再看看关键点描述符的大小，如果是 64 维的就改成 128 维。
#Find size of descriptor
#Find size of descriptor
print
surf.descriptorSize()
64
#That means flag, "extended" is False.
surf.extended
False
#So we make it to True to get 128-dim descriptors.
surf.extended =
True
kp, des =
surf.detectAndCompute(img,None)
print
surf.descriptorSize()
128
print
des.shape
Cell In [5], line 22 surf.extended = ^ SyntaxError: invalid syntax
( 47, 128)
接下来要做的就是匹配了，会在后面讨论。
分类: OpenCV-Python https://www.cnblogs.com/Undo-self-blog/category/1160700.html_