在SIFT中，Lowe用高斯差近似高斯的拉普拉斯算子來尋找尺度空間。SURF走得更遠，使用Box Filter近似LoG。下圖顯示了這種近似值的演示。這種近似的一大優點是，借助積分圖像可以輕松地計算出帶盒濾波器的卷積。并且可以針對不同規模并行執行。SURF還依賴于Hessian矩陣的行列式來確定尺度和位置。

對于方向分配，SURF在水平和垂直方向上對大小為6s的鄰域使用小波響應。適當的高斯權重也適用于它。然后將它們繪制在下圖所示的空間中。通過計算角度為60度的滑動方向窗口內所有響應的總和，可以估算主導方向。有趣的是，小波響應可以很容易地使用積分圖像在任何規模下發現。對于許多應用，不需要旋轉不變性，因此無需查找此方向，從而加快了過程。SURF提供了稱為Upright-SURF或U-SURF的功能。它提高了速度，并具有高達$\pm 15^{°}$的魯棒性。OpenCV根據標志支持兩種方式。如果為0，則計算方向。如果為1，則不計算方向并且速度更快。

對于功能描述，SURF在水平和垂直方向上使用小波響應（同樣，使用積分圖像使事情變得更容易）。在s是大小的關鍵點周圍采用大小為20sX20s的鄰域。它分為4x4子區域。對于每個子區域，獲取水平和垂直小波響應，并像這樣形成向量，$v=(\sum dx,\sum dy,\sum |dx|,\sum |dy|)$。當表示為向量時，這將為SURF特征描述符提供總共64個維度。尺寸越小，計算和匹配速度越快，但特征的區分性更好。

為了更加獨特，SURF特征描述符具有擴展的128維版本。dx和$|dx|$的和分別針對$dy<0$和$dy\ge 0$進行計算。同樣，$dy$和$|dy|$的總和 根據$dx$的符號進行拆分，從而使特征數量加倍。它不會增加太多的計算復雜性。OpenCV通過將分別為64-dim和128-dim（默認值為128-dim）的標志的值設置為0和1來支持這兩者（默認為128-dim）。

另一個重要的改進是對基礎興趣點使用了Laplacian算符（海森矩陣的跡）。它不增加計算成本，因為它已在檢測期間進行了計算。拉普拉斯算子的標志將深色背景上的明亮斑點與相反的情況區分開。在匹配階段，我們僅比較具有相同對比類型的特征（如下圖所示）。這些最少的信息可加快匹配速度，而不會降低描述符的性能。

簡而言之，SURF添加了許多功能來提高每一步的速度。分析表明，它的速度是SIFT的3倍，而性能卻與SIFT相當。SURF擅長處理具有模糊和旋轉的圖像，但不擅長處理視點變化和照明變化。
OpenCV中的SURF

OpenCV提供類似于SIFT的SURF功能。您可以使用一些可選條件（例如64 / 128-dim描述符，Upright / Normal SURF等）來啟動SURF對象。所有詳細信息在docs中都有詳細說明。然后，就像在SIFT中所做的那樣，我們可以使用SURF.detect()，SURF.compute()等來查找關鍵點和描述符。

首先，我們將看到一個有關如何找到SURF關鍵點和描述符并進行繪制的簡單演示。所有示例都在Python終端中顯示，因為它與SIFT相同。

img = cv.imread('fly.png',0) # 創建SURF對象。你可以在此處或以后指定參數。 # 這里設置海森矩陣的閾值為400 >>> surf = cv.xfeatures2d.SURF_create(400) # 直接查找關鍵點和描述符 >>> kp, des = surf.detectAndCompute(img,None) >>> len(kp)699

圖片中無法顯示1199個關鍵點。我們將其減少到50左右以繪制在圖像上。匹配時，我們可能需要所有這些功能，但現在不需要。因此，我們增加了海森閾值。

# 檢查海森矩陣閾值 >>> print( surf.getHessianThreshold() ) 400.0 # 我們將其設置為50000。記住，它僅用于表示圖片。 # 在實際情況下，最好將值設為300-500 >>> surf.setHessianThreshold(50000) # 再次計算關鍵點并檢查其數量。 >>> kp, des = surf.detectAndCompute(img,None) >>> print( len(kp) ) 47

它小于50。讓我們在圖像上繪制它。

>>> img2 = cv.drawKeypoints(img,kp,None,(255,0,0),4) >>> plt.imshow(img2),plt.show()

您可以看到SURF更像是斑點檢測器。它檢測到蝴蝶翅膀上的白色斑點。您可以使用其他圖像進行測試。

# 檢查flag標志，如果為False，則將其設置為True >>> print( surf.getUpright() ) False >>> surf.setUpright(True) # 重新計算特征點并繪制 >>> kp = surf.detect(img,None) >>> img2 = cv.drawKeypoints(img,kp,None,(255,0,0),4) >>> plt.imshow(img2),plt.show()

所有的方向都顯示在同一個方向上。它比以前更快了。如果你工作的情況下，方向不是一個問題(如全景拼接)等，這是更好的。

最后，我們檢查描述符的大小，如果只有64維，則將其更改為128。

# 找到算符的描述 >>> print( surf.descriptorSize() ) 64 # 表示flag “extened” 為False。 >>> surf.getExtended()False # 因此，將其設為True即可獲取128個尺寸的描述符。 >>> surf.setExtended(True) >>> kp, des = surf.detectAndCompute(img,None) >>> print( surf.descriptorSize() ) 128 >>> print( des.shape ) (47, 128)

其余部分是匹配的。

總結

以上是生活随笔為你收集整理的python-opencv图像处理之SURF函数的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。