Mahotas - 加速稳健特征

加速稳健特征 (SURF) 是一种用于检测图像中独特特征(关键点)的算法。SURF 通过分析图像中多个尺度的强度变化来识别关键点。

它为这些点分配方向并生成描述符来捕捉它们的独特特征。

描述符以模式计算在关键点周围的局部区域内。然后，这些描述符可用于各种应用。

SURF 使用两种主要技术:surf density 和 surf integration。这两种技术都将在接下来的章节中详细讨论。

SURF Surf

SURF surf 是一种结合图像关键点检测和描述的技术。它生成对这些关键点的属性进行编码的描述符。该函数以图像作为输入并返回一组 SURF 描述符。

语法

以下是 mahotas − 中 surf.surf() 函数的基本语法

mahotas.features.surf.surf(f, nr_octaves=4, nr_scales=6, initial_step_size=1,
threshold=0.1, max_points=1024, descriptor_only=False)

其中，

f − 它是输入图像。
nr_octaves(可选) −它定义了 SURF 算法中要使用的八度数。一个八度表示不同分辨率级别的图像(默认值为 4)。
nr_scales(可选) − 它确定每个八度的尺度数。尺度用于检测不同细节级别的特征(默认值为 6)。
initial_step_size(可选) − 它确定连续尺度之间的初始步长。较小的步长允许检测详细特征(默认值为 1)。
threshold(可选) − 它是用于过滤掉弱 SURF 特征的阈值(默认值为 0.1)。
max_points(可选) −它定义了将返回的最大 SURF 点数(默认值为 1024)。
descriptor_only(可选) − 它是一个标志，用于确定是否仅返回描述符或描述符和关键点。设置为 True 时，将仅返回检测到的特征的描述符。
如果设置为 False，则将同时返回关键点和描述符(默认值为 False)。

我们可以在下面看到冲浪图像 −

SURF Dense

SURF Dense 是 SURF 算法使用的一种技术。在 SURF Dense 中，关键点在图像上密集采样。

换句话说，SURF Dense 不是搜索特定的有趣点，而是计算图像中像素网格的描述符。这有助于捕获有关整个图像的信息。

在下图中，我们可以看到 SURF 密集图像 −

SURF 积分

SURF 积分技术通过利用积分图像提高了 SURF 算法的计算效率。积分图像预先计算图像特定区域像素强度的累积和。

这种预先计算消除了冗余计算，从而实现了更快、更高效的特征检测和描述。

因此，SURF 算法非常适合实时应用和处理大规模数据集。

以下是 SURF 积分的图像

示例

在下面的示例中，我们将对图像执行如上所述的不同 SURF 函数 −

import mahotas as mh
from mahotas.features import surf
import numpy as np
import matplotlib.pyplot as mtplt
image = mh.imread('tree.tiff', as_grey=True)
# SURF density
surf_dense = surf.dense(image, 100)
mtplt.imshow(surf_dense)
mtplt.title('SURF Dense Image')
mtplt.axis('off')
mtplt.show()
# SURF integration
surf_integral = surf.integral(image)
mtplt.imshow(surf_integral)
mtplt.title('SURF Integral Image')
mtplt.axis('off')
mtplt.show()
# SURF surf
surf_surf = surf.surf(image)
mtplt.imshow(surf_surf)
mtplt.title('SURF Surf Image')
mtplt.axis('off')
mtplt.show()