加速的健壮特征

在 0.8 版本加入: 在0.8版中，一些内部函数现在位于mahotas.Features.surf中，而不是mahotas.surf中

Speeded-Up Robust Features (SURF) 是一项最新的创新， local features 一家人。该算法分为两个步骤：

  1. 兴趣点检测。

  2. 兴趣点描述。

该功能 mahotas.features.surf.surf 结合了两个步骤：：

import numpy as np
from mahotas.features import surf

f = ... # input image
spoints = surf.surf(f)
print("Nr points: {}".format(len(spoints)))

在给定结果的情况下，我们可以执行简单的集群，例如， ` scikit-learn **

try:
    from sklearn.cluster import KMeans

    # spoints includes both the detection information (such as the position
    # and the scale) as well as the descriptor (i.e., what the area around
    # the point looks like). We only want to use the descriptor for
    # clustering. The descriptor starts at position 5:
    descrs = spoints[:,5:]

    # We use 5 colours just because if it was much larger, then the colours
    # would look too similar in the output.
    k = 5
    values = KMeans(n_clusters=k).fit(descrs).labels_
    colors = np.array([(255-52*i,25+52*i,37**i % 101) for i in range(k)])
except:
    values = np.zeros(100)
    colors = [(255,0,0)]

所以我们给每个可能的颜色分配了不同的颜色

帮助者 surf.show_surf 在兴趣点周围绘制彩色多边形：：

f2 = surf.show_surf(f, spoints[:100], values, colors)
imshow(f2)
show()

在《毛霍塔斯》的作者路易斯·佩德罗的一张照片上运行以上内容：

from __future__ import print_function
import numpy as np
import mahotas as mh
from mahotas.features import surf
from matplotlib import pyplot as plt

f = mh.demos.load('luispedro', as_grey=True)
f = f.astype(np.uint8)
spoints = surf.surf(f, 4, 6, 2)
print("Nr points:", len(spoints))

try:
    from sklearn.cluster import KMeans
    descrs = spoints[:,5:]
    k = 5
    values = KMeans(n_clusters=k).fit(descrs).labels_
    colors = np.array([(255-52*i,25+52*i,37**i % 101) for i in range(k)])
except:
    values = np.zeros(100, int)
    colors = np.array([(255,0,0)])

f2 = surf.show_surf(f, spoints[:100], values, colors)
fig,ax = plt.subplots()
ax.imshow(f2)
fig.show()

(Source code, png, hires.png, pdf)

_images/surf_luispedro.png

API文档

这个 mahotas.features.surf 模块包含SURF管道中所有步骤的单独函数。

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

DESC_ARRAY=密集(f，间距，比例={np.sqrt(间距)}，IS_INTEGRATION=FALSE，INCLUDE_INTERECT_POINT=FALSE)

参数:
f图像

原始图像

spacing整数

点之间的距离

scale浮动，可选

兴趣点的比例。默认情况下，它设置为 np.sqrt(spacing)

is_integral布尔型，可选

是否 f 是一个完整的形象

include_interest_point布尔值，可选

是否返回利息点信息。缺省值为False

退货:
descriptorsNdarray

密集点处的描述符。请注意，兴趣点是 not returned by default 。

参见

surf

函数查找兴趣点，然后计算描述符

descriptors

函数在用户提供的兴趣点计算描述符

mahotas.features.surf.integral(f, in_place=False, dtype=<class 'numpy.float64'>)

Fi=整型(f，in_place=FALSE，dtype=np.double)：

计算积分图像

参数:
fNdarray

输入图像。仅支持2-D图像。

in_place布尔值，可选

是否覆盖 f (默认值：FALSE)。

dtype数据类型，可选

要使用的数据类型(默认：双精度)

退货:
fi ：ndarray of dtype 与…形状相同 fNdarray of

整体形象

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

Points=SURF(f，nr_octaves=4，nr_scales=6，初始步骤大小=1，Threshold=0.1，max_Points=1024，Descriptor_Only=False)：

运行冲浪检测和描述符计算

加速稳健特征(SURF)是在自动确定的关键点上计算的快速局部特征。

参数:
fNdarray

输入图像

nr_octaves整型，可选

八度音阶的NR(默认：4)

nr_scales整型，可选

比例尺的NR(默认：6)

initial_step_size整型，可选

初始步长(以像素为单位)(默认值：1)

threshold浮动，可选

兴趣点强度阈值(默认为0.1)

max_points整型，可选

要返回的最大点数。默认情况下，最多返回1024点。请注意，即使在有那么多点的情况下，数字也可能更小。这是实现阈值的方式的副作用：仅 max_points 是被考虑的，但其中一些可能会被过滤掉。

descriptor_only布尔型，可选

如果 descriptor_only ，然后仅返回64个元素的描述符(缺省为 False )。

退货:
points双重线，形状=(N，6+64)

N 是分数的nr。每个点都表示为 (y,x,scale,score,laplacian,angle, D_0,...,D_63) 哪里 y,x,scale 就是这个位置， angle 迎新， score 和 laplacian 探测器的分数和标志；以及 D_i 是描述符

如果 descriptor_only ，那么只有 D_i S返回，数组具有形状(N，64)！

参考文献

赫伯特·贝，Andreas Ess，Tinne Tuytelaars，Luc Van Gool《冲浪：加速的稳健特征》，计算机视觉和图像理解(CVIU)，第110卷，第3期，第346-359页，2008