Mahotas - SURF 密集点

SURF(加速稳健特征)是一种用于检测和描述图像中兴趣点的算法。这些点被称为"密集点"或"关键点"，因为它们密集地存在于整个图像中，而不像稀疏点只存在于特定区域。

SURF 算法以各种比例分析整个图像，并识别强度发生显著变化的区域。

这些区域被视为潜在关键点。它们是包含独特和独特模式的兴趣区域。

Mahotas 中的 SURF 密集点

在 Mahotas 中，我们使用 mahotas.features.surf.dense() 函数来计算 SURF 密集点处的描述符。描述符本质上是描述图像中像素局部特征的特征向量，例如其强度梯度和方向。

为了生成这些描述符，该函数在图像上创建一个点网格，每个点之间相隔特定距离。在网格中的每个点，都会确定一个"兴趣点"。

这些兴趣点是捕获有关图像的详细信息的位置。一旦确定了兴趣点，就会计算密集的 SURF 描述符。

mahotas.features.surf.dense() 函数

mahotas.features.surf.dense() 函数将灰度图像作为输入，并返回包含描述符的数组。

此数组通常具有这样的结构:每行对应不同的兴趣点，列表示该点的描述符特征的值。

语法

以下是 mahotas − 中 surf.dense() 函数的基本语法

mahotas.features.surf.dense(f, Spacing, scale={np.sqrt(spacing)},
is_integral=False, include_interest_point=False)

其中，

• f − 是输入的灰度图像。

• spacing − 确定相邻关键点之间的距离。

• scale (可选) − 指定计算描述符时使用的间距(默认为间距的平方根)。

• is_integral (可选) −它是一个标志，指示输入图像是否为整数(默认为"False")。

• include_interest_point(可选) − 它也是一个标志，指示是否返回带有 SURF 点的兴趣点(默认为"False")。

示例

在下面的例子中，我们使用 mh.features.surf.dense() 函数计算图像的 SURF 密集点。

import mahotas as mh
from mahotas.features import surf
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image = mh.imread('sun.png')
# 将其转换为灰度
image = mh.colors.rgb2gray(image)
# 获取 SURF 密集点
surf_dense = surf.dense(image, 120)
# 为子图创建图形和轴
fig, axis = mtplt.subplots(1, 2)
# 显示原始图像
axes[0].imshow(image)
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# 显示 surf 密集点
axes[1].imshow(surf_dense)
axes[1].set_title('SURF Dense Point')
axes[1].set_axis_off()
# 调整子图之间的间距
mtplt.tight_layout()
# 显示图
mtplt.show()

输出

以下是上述代码的输出 −

通过调整比例

我们可以调整比例来计算不同空间中 SURF 密集点的描述符。比例决定了兴趣点周围检查区域的大小。

较小的比例适合捕捉局部细节，而较大的比例适合捕捉全局细节。

在 mahotas 中，surf.dense() 函数的 scale 参数决定了计算 SURF 密集点描述符时使用的缩放比例。

我们可以将任意值传递给此参数，以检查缩放对 SURF 密集点的影响。

示例

在下面提到的示例中，我们正在调整比例来计算 SURF 密集点的描述符 −

import mahotas as mh
from mahotas.features import surf
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image = mh.imread('nature.jpeg')
# 将其转换为灰度
image = mh.colors.rgb2gray(image)
# 获取 SURF 密集点
surf_dense = surf.dense(image, 100, np.sqrt(25))
# 为子图创建图形和轴
fig, axis = mtplt.subplots(1, 2)
# 显示原始图像
axes[0].imshow(image)
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# 显示 surf 密集点
axes[1].imshow(surf_dense)
axes[1].set_title('SURF Dense Point')
axes[1].set_axis_off()
# 调整子图之间的间距
mtplt.tight_layout()
# 显示图
mtplt.show()

输出

上述代码的输出如下 −

通过包含兴趣点

我们还可以在计算 SURF 密集点的描述符时包含图像的兴趣点。兴趣点是像素强度值发生显著变化的区域。

在 mahotas 中，要包含图像的兴趣点，我们可以在计算 SURF 密集点的描述符时将 include_interest_point 参数设置为布尔值"True"。

示例

在这里，我们在计算图像的 SURF 密集点的描述符时包含兴趣点。

import mahotas as mh
from mahotas.features import surf
import numpy as np
import matplotlib.pyplot as mtplt
# 加载图像
image = mh.imread('tree.tiff')
# 将其转换为灰度
image = mh.colors.rgb2gray(image)
# 获取 SURF 密集点
surf_dense = surf.dense(image, 100, include_interest_point=True)
# 为子图创建图形和轴
fig, axis = mtplt.subplots(1, 2)
# 显示原始图像
axes[0].imshow(image)
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# 显示 surf 密集点
axes[1].imshow(surf_dense)
axes[1].set_title('SURF Dense Point')
axes[1].set_axis_off()
# 调整子图之间的间距
mtplt.tight_layout()
# 显示图
mtplt.show()

输出

执行上述代码后，我们得到以下输出 −