Question

我有一个代码：

def compare_frames(frame1, frame2): 
    # cropping ranges of two images
    frame1, frame2 = similize(frame1, frame2)

    sc = 0
    h = numpy.zeros((300,256,3))
    frame1= cv2.cvtColor(frame1,cv2.COLOR_BGR2HSV)
    frame2= cv2.cvtColor(frame2,cv2.COLOR_BGR2HSV)
    bins = numpy.arange(256).reshape(256,1)
    color = [ (255,0,0),(0,255,0),(0,0,255) ]

    for ch, col in enumerate(color):
       hist_item1 = cv2.calcHist([frame1],[ch],None,[256],[0,255])
       hist_item2 = cv2.calcHist([frame2],[ch],None,[256],[0,255])
       cv2.normalize(hist_item1,hist_item1,0,255,cv2.NORM_MINMAX)
       cv2.normalize(hist_item2,hist_item2,0,255,cv2.NORM_MINMAX)
       sc = sc + (cv2.compareHist(hist_item1, hist_item2, cv2.cv.CV_COMP_CORREL)/len(color))
    return sc

它可以工作，但如果图像有色噪声（更暗/淡色），它就不起作用，并且相似等于0.5。（需要0.8）

图像2比图像1更暗。

你能否建议我快速比较algorythm忽略光线，模糊，图像上的噪音或修改它？

注意：

我也有模板匹配algorythm：

但它的工作速度比我需要的慢，尽管相似度为0.95。

def match_frames(frame1, frame2):
    # cropping ranges of two images
    frame1, frame2 = similize(frame1, frame2)

    result = cv2.matchTemplate(frame1,frame2,cv2.TM_CCOEFF_NORMED)
    return numpy.amax(result)

由于

Answer 1

您的问题是计算机视觉和图像处理中的经典问题之一。许多博士论文已经在会议和期刊上撰写并发表了大量论文。

简而言之，直接像素比较在这种情况下不起作用。需要某种转换来带您到不同的功能空间。根据您的要求，您可以做一些简单或复杂的事情。你可以计算边或角。已经提到的一个建议是FAST角点检测。这将是一个很好的选择，就像SIFT等...你可以使用许多其他的，但它将取决于两个图像可以变化多少以及以何种方式。

例如，如果只有全局颜色变化，色调等，那么方法将不同于图像可以旋转或物体位置大小变化（即相机变焦）。

严格来说，对于这种情况，你提到的功能，如FAST，SIFT，甚至边缘都可以很好地工作。查看http://en.wikipedia.org/wiki/Feature_detection_%28computer_vision%29了解详情

Answer 2

图像补丁描述符（SIFT，SURF ...）通常是单色的并且期望黑白图像。因此，对于任何方法（点匹配，帧匹配......），我建议您首先将颜色空间更改为Lab或YUV，然后在亮度平面上工作。

FAST是一种（快速）角点检测算法。角落显然对噪声和对比度不敏感，但可能受模糊影响（例如，位置不好，角落响应不好）。然而，FAST不包括描述符部分，因此您的匹配应该依赖于几何接近度。如果您需要描述符部分，那么您需要切换到许多其他关键点描述符之一（SIFT，SURF，FAST + BRIEF / BRISK / ORB / FREAK ......）。

与OpenCV中的色彩噪声进行图像比较？

2 个答案: