如何使用 Python 和 OpenCV 实现 KAZE 和 A-KAZE？

Question

我正在尝试在航拍图像上实现KAZE和A-KAZE使用Python和OpenCV进行特征检测和描述。

代码是什么？

另外，特征匹配应该使用什么描述符？

Answer 1

KAZE，以及之前的一些最先进的方法，例如SIFT和SURF，都是局部特征描述符，并且在某些方面，与描述符相比，它在检测和描述方面表现出更好的性能SIFT。A-KAZE，在另一方面，是一种局部二进制描述符和在速度和性能方面呈现优异的结果相比，国家的最先进的方法，例如局部特征：SIFT，SURF，和KAZE，并与局部二进制描述符：ORB，和BRISK.

回答您的问题，它们都可以用于Feature Matching，尽管A-KAZE描述符不适合较小的补丁（例如，最小的图像 - 32x32 补丁），也就是说，为了避免返回没有描述符的关键点，A-KAZE通常删除关键点。

因此，在KAZE和之间的选择A-KAZE取决于您的应用程序的上下文。但是，先验A-KAZE比 具有更好的性能KAZE。

在这个例子中，我将向你展示特征检测和匹配与A-KAZE通过FLANN使用算法的Python和OpenCV的。

首先，加载输入图像和将用于训练的图像。

在本例中，我们使用这些图像：

image1：

image2：

# Imports
import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np

# Open and convert the input and training-set image from BGR to GRAYSCALE
image1 = cv.imread(filename = 'image1.jpg',
                   flags = cv.IMREAD_GRAYSCALE)

image2 = cv.imread(filename = 'image2.jpg',
                   flags = cv.IMREAD_GRAYSCALE)

请注意，在导入图像时，我们使用了flags = cv.IMREAD_GRAYSCALE参数，因为在OpenCV 中，默认颜色模式设置为BGR。因此，要使用Descriptors，我们需要将颜色模式模式从BGR转换为grayscale。

现在我们将使用A-KAZE算法：

# Initiate A-KAZE descriptor
AKAZE = cv.AKAZE_create()

# Find the keypoints and compute the descriptors for input and training-set image
keypoints1, descriptors1 = AKAZE.detectAndCompute(image1, None)
keypoints2, descriptors2 = AKAZE.detectAndCompute(image2, None)

可以结合算法检测到的特征A-KAZE来查找不同图像之间相似的对象或模式。

现在我们将使用FLANN算法：

# FLANN parameters
FLANN_INDEX_KDTREE = 1

index_params = dict(algorithm = FLANN_INDEX_KDTREE,
                    trees = 5)

search_params = dict(checks = 50)

# Convert to float32
descriptors1 = np.float32(descriptors1)
descriptors2 = np.float32(descriptors2)

# Create FLANN object
FLANN = cv.FlannBasedMatcher(indexParams = index_params,
                             searchParams = search_params)

# Matching descriptor vectors using FLANN Matcher
matches = FLANN.knnMatch(queryDescriptors = descriptors1,
                         trainDescriptors = descriptors2,
                         k = 2)

# Lowe's ratio test
ratio_thresh = 0.7

# "Good" matches
good_matches = []

# Filter matches
for m, n in matches:
    if m.distance < ratio_thresh * n.distance:
        good_matches.append(m)

# Draw only "good" matches
output = cv.drawMatches(img1 = image1,
                        keypoints1 = keypoints1,
                        img2 = image2,
                        keypoints2 = keypoints2,
                        matches1to2 = good_matches,
                        outImg = None,
                        flags = cv.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)

plt.imshow(output)
plt.show()

输出将是：

要使用KAZE描述符执行相同的示例，只需初始化此描述符，更改：

AKAZE = cv.AKAZE_create()

到：

KAZE = cv.KAZE_create()

要了解有关检测、描述和特征匹配技术、本地特征描述符、本地二进制描述符和特征匹配算法的更多信息，我推荐以下GitHub存储库：

• https://github.com/whoisraibolt/Feature-Detection-and-Description
• https://github.com/whoisraibolt/Feature-Detection-and-Matching