opencv 特徵點提取演算法 SIFT SURF ORB FAST LBP學習（二）

阿新 • • 發佈：2019-01-20

MainActivity.java:

...
public int doFeatureDetect(int detect_type)
    {
        int length0, length1;
        Mat img_object = new Mat();
        Mat img_scene  = new Mat();

        Utils.bitmapToMat(bt1, img_object);
        Utils.bitmapToMat(bt2, img_scene);

        /*
                    FAST = 1,
                    STAR = 2,
                    SIFT = 3,
                    SURF = 4,
                    ORB = 5,
                    MSER = 6,
                    GFTT = 7,
                    HARRIS = 8,
                    SIMPLEBLOB = 9,
                    DENSE = 10,
                    BRISK = 11,
                    GRIDRETECTOR = 1000,
        */ 
          
        //-- Step 1: Detect the keypoints using SURF Detector
        FeatureDetector detector;
        String str_detect;
        Log.i("Feature", "  detect_type = "+detect_type);
        switch(detect_type){
                case 1:
                     detector = FeatureDetector.create(FeatureDetector.FAST 
); // ok
                     str_detect = "FAST";
                     break;
                case 2:
                     detector = FeatureDetector.create(FeatureDetector.STAR); // ok
                     str_detect = "STAR";
                     break;
                case 3:
                     detector = FeatureDetector.create 
(FeatureDetector.SIFT);
                     str_detect = "SIFT";
                     break;
                case 4:
                     detector = FeatureDetector.create(FeatureDetector.SURF);
                     str_detect = "SURF";
                     break;
                case 5:
                     detector = FeatureDetector.create(FeatureDetector.ORB); // ok
                     str_detect = "ORB";
                     break;
                case 6:
                     detector = FeatureDetector.create(FeatureDetector.MSER);
                     str_detect = "MSER";
                     break;
                case 7:
                     detector = FeatureDetector.create(FeatureDetector.GFTT);
                     str_detect = "GFTT";
                     break;
                case 8:
                     detector = FeatureDetector.create(FeatureDetector.HARRIS); // ok
                     str_detect = "HARRIS";
                     break;
                case 9:
                     detector = FeatureDetector.create(FeatureDetector.SIMPLEBLOB);
                     str_detect = "SIMPLEBLOB";
                     break;
                case 10:
                     detector = FeatureDetector.create(FeatureDetector.DENSE);
                     str_detect = "DENSE";
                     break;
                case 11:
                     detector = FeatureDetector.create(FeatureDetector.BRISK);
                     str_detect = "BRISK";
                     break;
                case 12:
                     detector = FeatureDetector.create(FeatureDetector.GRIDRETECTOR);
                     str_detect = "GRIDRETECTOR";
                     break;
                default:
                     detector = FeatureDetector.create(FeatureDetector.FAST);
                     str_detect = "FAST";
                     break;
           }


           MatOfKeyPoint keypoints_object = new MatOfKeyPoint();
           MatOfKeyPoint keypoints_scene  = new MatOfKeyPoint();

           detector.detect(img_object, keypoints_object);
           detector.detect(img_scene, keypoints_scene);

           KeyPoint[] obj_item0 = keypoints_object.toArray();
           KeyPoint[] obj_item1 = keypoints_scene.toArray();

           length0 = obj_item0.length;
           length1 = obj_item1.length;

           Log.i("Feature", "  length0 = "+length0+", length1 = "+length1); 
           for( int i = 0; i < length0; i++ ) {
               //-- Get the keypoints
               Point pts = obj_item0[i].pt;
               Core.rectangle(img_object, 
                       new Point(pts.x-5, pts.y-5),
                       new Point(pts.x+5, pts.y+5),
                       new Scalar(0, 255, detect_type*20),  
                       2);
           }

           for( int i = 0; i < length1; i++ ) {
               //-- Get the keypoints 
               Point pts = obj_item1[i].pt;
               Core.rectangle(img_scene, 
                       new Point(pts.x-5, pts.y-5),
                       new Point(pts.x+5, pts.y+5),
                       new Scalar(0, 255, detect_type*20),  
                       2);
           }

           bt3 = Bitmap.createBitmap(img_object.cols(), img_object.rows(), Config.RGB_565);
           Utils.matToBitmap(img_object, bt3);
           iv0.setImageBitmap(bt3);

           bt4 = Bitmap.createBitmap(img_scene.cols(), img_scene.rows(), Config.RGB_565);
           Utils.matToBitmap(img_scene, bt4);
           iv1.setImageBitmap(bt4);

           Log.w("Feature","     FeatureDetector    \n"); 
           return 1;
    }
..

JNI:
orbhog.cpp

JNIEXPORT jlong JNICALL Java_com_example_orbhog_MainActivity_doHarris(JNIEnv *env, jclass clz, jlong imageGray)
{
    int win_size=15;//10;
    int r=3;
    int count=0;
    const int MAX_COUNT=500; // 500
    double quality=0.01;
    double min_distance= 15;//10;
    CvPoint2D32f *points[2]={0,0};

    points[1]=(CvPoint2D32f*)cvAlloc(MAX_COUNT*sizeof(points[0][0]));

    Mat pImg = Mat(*(Mat*)imageGray);
    IplImage  temp_src = pImg;
    IplImage* imageg = &temp_src;

    IplImage* grey=cvCreateImage(cvSize(imageg->width, imageg->height), IPL_DEPTH_8U, 1);
    cvCvtColor(imageg, grey, CV_BGR2GRAY); // 1、灰度圖

    //goodFeaturesToTrack(pGray, features, maxCount, qLevel, minDist);

    //automatic initialization
    IplImage* eig=cvCreateImage(cvGetSize(grey),32,1);
    IplImage* temp=cvCreateImage(cvGetSize(grey),32,1);

    count=MAX_COUNT;
    cvGoodFeaturesToTrack(grey, eig, temp,
                    points[1],
                    &count,
                    quality,
                    min_distance,
                    0,
                    3,
                    0,
                    0.04);   //讀取第一幀影像

    //能夠將角點位置精確到亞畫素級精度,提取易於跟蹤的特徵點，特徵點精確描述
    cvFindCornerSubPix(grey, points[1], count,
                      cvSize(win_size,win_size),
                      cvSize(-1,-1), // cvSize(1,1)就表示成忽略掉相鄰1個畫素
                      cvTermCriteria(CV_TERMCRIT_ITER|CV_TERMCRIT_EPS,20,0.03)); //迭代次數iteration最小精度epsilon

    for(int i=0;i<count;i++){
        cvRectangle(imageg, cvPoint(points[1][i].x-r,points[1][i].y-r),cvPoint(points[1][i].x+r, points[1][i].y+r), cvScalar(0,0,255), 2);
    }
    cvReleaseImage(&eig);
    cvReleaseImage(&temp);

    Mat *hist = new Mat(imageg);
    return (jlong) hist;
}

Harris:
這裡寫圖片描述

Orb:
這裡寫圖片描述

Fast:
這裡寫圖片描述

Harris (cvGoodFeaturesToTrack):
這裡寫圖片描述

opencv 特徵點提取演算法 SIFT SURF ORB FAST LBP學習（二）

MainActivity.java: ... public int doFeatureDetect(int detect_type) { int length0, length1; Mat img_object

opencv 特徵點提取演算法 SIFT SURF ORB FAST LBP學習（一）

opencv 特徵點提取演算法 SIFT SURF ORB FAST LBP學習特徵點：又稱興趣點、關鍵點，它是影象中突出且具有代表意義的一些點，通過這些點我們可以用來表徵、識別影象、進行影象配準、進行3D重建等旋轉不變性和尺度不變性角點：

OpenCV中feature2D學習——FAST特徵點檢測與SIFT/SURF/BRIEF特徵提取與匹配

在前面的文章《OpenCV中feature2D學習——FAST特徵點檢測》中講了利用FAST運算元進行特徵點檢測，這裡嘗試使用FAST運算元來進行特徵點檢測，並結合SIFT/SURF/BRIEF運算元進行特徵點提取和匹配。 I、結合SIFT運算元進行特徵點提取

SIFT,SURF,ORB,FAST,BRISK 特徵提取演算法比較

SIFT,SURF,ORB,FAST 特徵提取演算法比較影象處理的基礎就是要進行特徵點的提取，feature(interest points) detect 的方法也在不斷的進步，邊檢測，角點檢測，直線檢測，圓檢測，SIFT特徵點檢測，同時描述符也在發展

OpenCV特徵點提取----Fast特徵

1.FAST（featuresfrom accelerated segment test）演算法特徵點檢測和匹配是計算機視覺中一個很有用的技術。在物體檢測，視覺跟蹤，三維常年關鍵等領域都有很廣泛的應用。很多傳統的演算法都很耗時，而且特徵點檢測演算法只是很多複雜影

SpringCloud從入門到進階（九）——單點部署Zuul的壓力測試與調優（二）

內容　　作為微服務架構系統的入口，毫無疑問，Zuul的併發效能直接決定了整個系統的併發效能。本文結合前幾篇文章的內容，在雲伺服器中部署了包含Eureka Server，Zuul等元件的1.0版本的微服務架構，並進行單點部署Zuul的壓力測試，對其併發效能一探究竟。環境說明　　轉載請說明出處

演算法工程師修仙之路：吳恩達機器學習（二）

吳恩達機器學習筆記及作業程式碼實現中文版第二章單變數線性迴歸模型描述我們使用一個監督學習演算法的例子：預測住房價格。我們要使用一個數據集，資料集包含俄勒岡州波特蘭市的住房價格。在這裡，我要根據不同房屋尺寸所售出的價格，畫出我的資

吳恩達機器學習（二）多元線性迴歸（假設、代價、梯度、特徵縮放、多項式）

目錄 0. 前言學習完吳恩達老師機器學習課程的多變數線性迴歸，簡單的做個筆記。文中部分描述屬於個人消化後的理解，僅供參考。 0. 前言多元線性迴歸（Multivari

基於KNN分類演算法手寫數字識別的實現（二）——構建KD樹

上一篇已經簡單粗暴的建立了一個KNN模型對手寫圖片進行了識別，所以本篇文章採用構造KD樹的方法實現手寫數字的識別。（一）構造KD樹構造KD樹的基本原理網上都有介紹，所以廢話不多說，直接上程式碼。 #Knn KD_Tree演算法 import math from

劍指Offer演算法題及答案Java完整版（二）

16、請設計一個函式，用來判斷在一個矩陣中是否存在一條包含某字串所有字元的路徑，路徑可以從矩陣中的任意一個格子開始，每一步可以在矩陣中向左，向右，向上，向下移動一個格子。如果一條路徑經過了矩陣中的某一個格子，則之後不能再次進入這個格子。例如 a b c e s f c s a d e e 這樣的

Python+OGR庫學習（二）：讀取點向量檔案，複製特定屬性值點並另存為shp檔案

程式碼思路： 1、匯入相關庫包，切換到當前資料夾 2、註冊驅動，開啟點向量檔案，獲取圖層 3、建立輸出檔案，並獲取圖層（沒有屬性定義） 4、定義輸出圖層欄位屬性：假設已知檔案所有屬性欄位定義（即ID和cover）（1）讀取輸入檔案中某一要素（2）獲取ID、cover欄位定義（3

機器學習（二）——K均值聚類演算法（K-means）

概述： 1.聚類 “類”指的是具有相似性的集合。聚類是指將資料集劃分為若干類，使得類內之間的資料最為相識，各類之間的資料相似度差別儘可能大。聚類分析就是以相似性為基礎，對資料集進行聚類分析，屬於無監督學習。 2.無監督學習和監督學習 k-均值聚類（k-means）與k-近鄰（knn）

演算法學習（二）Top K 演算法問題

參考學習結構之法，演算法之道上次談論了尋找最小的k個數問題，如果反過來就是尋找最大的k個問題了。 Top K 題目描述：輸入n個整數，輸出其中最大的k個數例如輸入1,2,3,4,5,6,7這個7個數，最大的三個數為5,6,7. 這和尋找最小的k

SDSoc學習（二）：搭建平臺，使用EMIO點亮LED

簡介這是學習SDSoc的第二個入門實驗，通過EMIO點亮連線在PL上的8個LED。與上一個實驗不一樣，在這一個實驗中，由於ZedBoard平臺中沒有使能EMIO，因此想直接通過SDSoc編寫程式驅動MIO是不行的，所以這一個實驗需要自己搭建包含EMI

QT和opencv學習（二）opencv的載入、顯示、修改、儲存影象

載入影象（用cv::imread） imread功能是載入影象檔案成為一個Mat物件，其中第一個引數表示影象檔名稱第二個引數，表示載入的影象是什麼型別，支援常見的三個引數值 IMREAD_UNCHANGED (<0) 表示載入原圖，不做任何改變

TLD目標跟蹤演算法學習（二）

　　正如名字所示，TLD演算法主要由三個模組構成：追蹤器（tracker），檢測器（detector）和機器學習（learning）。　　對於視訊追蹤來說，常用的方法有兩種，一是使用追蹤器根據物體在上一幀的位置預測它在下一幀的位置，但這樣會積累誤差，而且一旦物體在影象中

uc/os-II的記憶體改進與實現TLSF演算法的詳解，移植實現（二）

上一節講到了TLSF的資料結構，下面繼續哈。 TLSF用兩個層次的分類對不同尺寸的記憶體塊進行分類。第一層次的類別目錄為2n，n為4，5，……，31的整數，稱為FLI（First-level Segregated Fit）。每一個FLI類別又根據第二層的SLI細分為2SLI

系統學習深度學習（二） --自編碼器，DA演算法，SDA，稀疏自編碼器

轉自：http://www.cnblogs.com/neopenx/p/4370350.html，作者寫的很好，輕鬆易懂。起源：PCA、特徵提取.... 隨著一些奇怪的高維資料出現，比如影象、語音，傳統的統計學-機器學習方法遇到了前所未有的挑戰。資料維度過高，資料單

OpenCV中feature2D學習——SIFT和SURF運算元實現特徵點提取與匹配

概述之前的文章SURF和SIFT運算元實現特徵點檢測簡單地講了利用SIFT和SURF運算元檢測特徵點，在檢測的基礎上可以使用SIFT和SURF運算元對特徵點進行特徵提取並使用匹配函式進行特徵點的匹配。具體實現是首先採用SurfFeatureDetector檢測

opencv上gpu版surf特徵點與orb特徵點提取及匹配例項

一、前言本文主要實現了使用opencv裡的gpu版surf特徵檢測器和gpu版orb檢測器，分別對圖片進行特徵點提取及匹配，並對尋獲的特徵點進行了距離篩選，將匹配較為好的特徵點進行展示二、實現程式碼我不生產程式碼，我只是程式碼的搬運工和修改工 //main.cpp/

opencv 特徵點提取演算法 SIFT SURF ORB FAST LBP學習（二）

相關推薦