-1

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，但如果图像有颜色噪声（更暗/更亮的色调）它不起作用并且相似度等于 0.5。（需要 0.8）

图像1

图2

图像 2 比图像 1 更暗。

你能建议我快速比较算法忽略图像上的光、模糊、噪声或修改吗？

笔记：

我也有模板匹配算法：

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)

谢谢

4

2 回答 2

1

您的问题是计算机视觉和图像处理领域的经典问题之一。撰写了许多博士论文，并在会议和期刊上发表了数十篇论文。

简而言之，在这种情况下，直接像素比较将不起作用。需要进行某种转换才能将您带到不同的特征空间。您可以根据您的需求做一些简单或复杂的事情。您可以计算边或角。已经提到的一项建议是 FAST 角点检测。与 SIFT 等一样，这将是一个不错的选择……您可以使用许多其他方法，但这取决于两个图像可以变化多少以及以何种方式变化。

例如，如果只有全局颜色变化、色调等，则该方法将不同于图像可以旋转或对象位置的大小变化（即相机变焦）。

严格来说，对于您提到 FAST、SIFT 甚至边缘等功能的情况，效果会相当好。查看http://en.wikipedia.org/wiki/Feature_detection_%28computer_vision%29了解更多信息

于 2013-10-09T14:32:10.760 回答
0

图像补丁描述符（SIFT、SURF...）通常是单色的，并且需要黑白图像。因此，对于任何方法（点匹配、帧匹配......），我建议您先将色彩空间更改为 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，但可能会受到模糊的影响（例如位置不佳，角落响应不佳）。但是，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...）。

于 2013-10-09T13:24:14.870 回答