ML之SIFT_FLANN:FLANN算法的简介、使用方法(对图片提取SIFT特征并利用FLANN方法实现计算图像相似度并可视化案例)之详细攻略
2023-09-14 09:04:44 时间
ML之SIFT_FLANN:FLANN算法的简介、使用方法(对图片提取SIFT特征并利用FLANN方法实现计算图像相似度并可视化案例)之详细攻略
目录
FLANN算法的使用方法(对图片提取SIFT特征并利用FLANN方法实现计算图像相似度并可视化案例)
FLANN算法
FLANN库全称是Fast Library for Approximate Nearest Neighbors,它是目前最完整的(近似)最近邻开源库。不但实现了一系列查找算法,还包含了一种自动选取最快算法的机制。
使用flann的搜索,整体来说分为两步,一是建立索引,二是搜索。
- 使用SIFT特征提取关键点;
- 计算SIFT特征描述子;
- 使用FLANN匹配器进行描述子向量匹配。
1、flann的搜索步骤
(1)、建立索引
其实就是要两部分参数,一是数据也就是mat矩阵,二是一些具体参数,这个参数要根据建立的索引类型来设置。而有哪些索引类型呢? 共有:线性索引、KD-Tree索引、K均值索引、复合索引、LSH方法索引、自动索引 六种。
(2)、进行搜索
有两种搜索方式 :knnSearch //搜索k邻近 、radiusSearch //搜索半径最近
从返回结果考虑两者的不同之处在于:
knnSearch返回最近邻的点(具体点的个数由用户设定,设n个就一定返回n个);
radiusSearch返回搜索半径内所有点(即可能不存在符合条件的点,则返回空的)。
FLANN算法的使用方法(对图片提取SIFT特征并利用FLANN方法实现计算图像相似度并可视化案例)
输出结果
实现代码
ML之SIFT:对图片提取SIFT特征并利用FLANN方法判别图像的相似度并可视化
sift = cv2.xfeatures2d.SIFT_create()
# 查找监测点和匹配符
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)
print(len(kp1), len(des1) ) # 1402, 1402
FLANN_INDEX_KDTREE = 0
indexParams = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
searchParams = dict(checks=50)
flann = cv2.FlannBasedMatcher(indexParams, searchParams)
# 进行匹配
matches = flann.knnMatch(des1, des2, k=2)
# 准备空的掩膜 画好的匹配项
matchesMask = [[0, 0] for i in range(len(matches))]
for i, (m, n) in enumerate(matches):
if m.distance < 0.7*n.distance:
matchesMask[i] = [1, 0]
drawPrams = dict(matchColor=(0, 255, 0),
singlePointColor=(255, 0, 0),
matchesMask=matchesMask,
flags=0)
img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, matches, None, **drawPrams)
img_PutText = cv2.putText(img3, "SIFT+kNNMatch: Image Similarity Comparisonn", (40, 40),cv2.FONT_HERSHEY_COMPLEX, 1.5, (0, 0, 255), 3,)
img4 = cv2.resize(img_PutText, (0, 0), fx=0.5, fy=0.5, interpolation=cv2.INTER_NEAREST) #缩小1/2
cv2.imshow("matches", img4)
cv2.waitKey(7000)
cv2.destroyAllWindows()
相关文章
- Shell for语句实战案例
- javascript案例6——开关灯、背景变化
- ML:分类预测任务中模型评估指标(ER/混淆矩阵ACC、Precision、Recall、AP、mAP、F1、ROC-AUC)简介、使用方法、代码实现、案例应用之详细攻略
- CV:人工智能之计算机视觉方向的简介(CV发展史+传统方法对比CNN类算法+CV类会议/期刊、主要研究方向)、计算机视觉四大研究方向以及十大具体应用领域(知识导图+经典案例)之详细攻略
- ML之XGBoost:XGBoost算法模型(相关配图)的简介(XGBoost并行处理)、关键思路、代码实现(目标函数/评价函数)、安装、使用方法、案例应用之详细攻略
- ML与Information:信息论(信息熵/互信息/最大熵模型/条件熵/KL散度)在机器学习中的简介、主要内容、关系、常用方法、案例应用
- CV:人工智能之计算机视觉方向的简介(CV发展史+传统方法对比CNN类算法+CV类会议/期刊、主要研究方向)、计算机视觉四大研究方向以及十大具体应用领域(知识导图+经典案例)之详细攻略
- Internet:A/B Testing即对照实验(一种数据驱动决策方法)的简介、原理、案例应用之详细攻略
- ML之PySpark:基于PySpark框架针对boston波士顿房价数据集利用lightgbm算法(评估)实现房价回归预测案例应用
- ML之ME:分类预测问题中评价指标lift曲线的简介、使用方法、代码实现、案例应用之详细攻略
- ML之KG:基于自定义电影矩阵+知识图谱矩阵数据集利用基于知识图谱的推荐算法(基于匹配的相似度的方法)实现对用户进行Top电影推荐案例
- ML之SSL:Semi-Supervised Learning半监督学习的简介、应用、经典案例之详细攻略
- ML之SR:Softmax回归(Softmax Regression)的简介、使用方法、案例应用之详细攻略
- DL之DNN优化技术:DNN中抑制过拟合/欠拟合、提高泛化能力技术的简介、使用方法、案例应用详细攻略
- Python语言学习之lambda:lambda函数的简介、使用方法、案例大全之详细攻略
- ML之p-value:p-value/P值的简介、使用方法、案例应用之详细攻略
- Graphviz:可视化工具Graphviz的简介、安装、使用方法、经典案例之详细攻略
- ML与Regularization:正则化理论即bias-variance tradeoff(权值衰减/提前终止/数据扩增/Dropout/融合技术)在机器学习中的简介、常用方法、案例应用之详细攻略
- Python语言学习之图表可视化:python语言中可视化工具包的简介、安装、使用方法、经典案例之详细攻略
- Py之cx_Freeze:cx_Freeze简介(程序打包软件)、安装、使用方法、案例应用(实现机器人在线24小时智能翻译软件打包)之详细攻略
- ML之XGBoost:XGBoost算法模型(相关配图)的简介(XGBoost并行处理)、关键思路、代码实现(目标函数/评价函数)、安装、使用方法、案例应用之详细攻略
- jquery案例5——tab栏切换、菜单栏切换、选项卡、来回切换